ParseExtract 是什么
ParseExtract 是一个文档数据提取与 OCR 工具，专注于将 PDF、扫描件、图片、网页等混合媒体输入转换为干净、可供大型语言模型使用的文本，以及 CSV、Excel 等结构化格式。
ParseExtract 的主要功能
- 文档与图片 OCR：识别 PDF、DOCX 与图片中的文字，覆盖手写体、数学公式、多语言与复杂版式，扫描件也能转成可检索文本。
- 表格提取：单独抽取文档或图片中的表格并转成 Excel、CSV，多页文档按页输出，网页端试用会把各页表格合并进同一张工作表。
- 结构化数据提取：按自定义提示词与字段模式从单页文档或图片中抽取指定信息，默认输出 JSON，适合发票、收据等固定票据的字段化入库。
- 网页解析与爬取：把网页清洗成低 token 的大模型友好文本，支持单页解析与整站爬取，可按深度与路径规则过滤，灵活保留或剔除图片和链接。
- RAG 友好输出：可在文本原位以图片 ID 替代图片本体，降低下游 token 消耗，输出可直接对接检索增强与知识库流程。
- 异步任务处理：超过五页的 PDF 自动转入异步队列，提交后凭任务号轮询取结果，大文件处理不阻塞脚本运行。
- 自定义方案：支持按需求定制 API 端点或网页界面，另提供独立的本地 PDF 脱敏工具，供敏感文件发送前在自有设备上处理。
ParseExtract 的计费方式
计费方式：按量充值购买额度，不设订阅、最低消费与额度有效期。文档与图片 OCR 分两种模式，固定费率约 1.5 美元/1000 页，或按输出 token 计费、约 1.5 美元/百万 token，文字稀疏的文档更省；表格提取约 0.01 美元/页，数据提取约 2 美元/百万输出 token，网页解析约 0.005 美元/页，首页试用每日 3 页免费。以上为 2026 年 10 月整理，仅供参考，具体以 ParseExtract 官网价格公示为准。
如何使用 ParseExtract
- 免登录试用：打开官网首页在试用区上传文件即可体验，每日最多 3 页、一次一页，需通过人机验证，无需注册账号。
- 注册取密钥：用邮箱或 Google 账号注册后在账户页充值并生成 API 密钥，才能接入正式接口。
- 调用接口：以 Bearer 方式携带密钥请求对应端点，文档、图片、表格、数据提取与网页解析各有独立接口，官方目前仅提供 Python 示例代码。
- 获取结果：五页以内的文档同步返回，大文件走异步任务轮询取回；表格提取返回可直接下载的 Excel 与 CSV 文件。
- 注意限制：快速模式单文件上限 50 MB、1000 页，精准模式无此限制；数据提取暂不支持多页文档，跨页合并的需求需联系官方定制。
同类产品对比
- 对比 Mistral OCR、LlamaParse：同为面向开发者的文档解析接口，两者分别背靠大厂模型与 LlamaIndex 生态，集成资料和社区更成熟；ParseExtract 的差别在于纯按量计费、无订阅门槛，输出按 token 收费对低文字量文档更省，代价是生态单薄、示例代码目前只有 Python。
- 对比 Nanonets、Mathpix：Nanonets 偏向带完整界面的单据自动化平台，Mathpix 在数学公式与学术 OCR 上积累更深；ParseExtract 定位轻量通用接口，OCR、表格、结构化与网页解析一条线打通，代价是品牌与合规背书较弱，对供应商审查严格的团队未必合适。
ParseExtract 的应用场景
- 发票票据批量入库：把收据、发票等单据按自定义字段抽成 JSON，直接写入财务与业务系统，替代逐张人工录入。
- 财报研报表格数字化：将 PDF 财报、研报与扫描报表中的表格转成 Excel、CSV，便于二次计算、汇总与分析。
- RAG 知识库预处理：把文档与网页清洗成低 token 文本、图片以 ID 内联，作为检索增强与智能体的前置解析环节，压低推理成本。
- 流程自动化接入：嵌入自动化脚本与智能体工作流承担数据解析，适合需要批量处理文档的运维与开发场景。
- 学术与档案数字化：处理扫描书页、论文与含公式的复杂版式，把纸质材料转成可检索的结构化文本。
- 网页内容采集：单页解析或按规则整站爬取，为舆情监控、比价与语料收集提供干净的文本输入。
