TextIn xParse LangChain插件正式上线！为Agent提供高效文档解析能力

​使用 xParse LangChain 插件，为 RAG、Agent、信息提取等场景的提供高效文档解析。

LangChain 是一个用于构建基于大语言模型应用的框架，提供了丰富的工具和组件，帮助开发者快速构建 RAG（检索增强生成）、Agent、信息提取等应用。

xParse 是一个端到端文档处理 AI 基础设施，致力于将非结构化文档高效转化为可查询、可分析的数据资产。

langchain-xparse 是 xParse 与 LangChain 的集成插件，通过 XParseLoader 将 xParse Pipeline API 的强大文档解析能力无缝集成到 LangChain 应用中，让您轻松实现文档解析、分块、向量化等功能。

• GitHub 地址：https://github.com/intsig-textin/langchain-xparse

• PyPI 地址：https://pypi.org/project/langchain-xparse/

xParse LangChain 插件亮点

• 强大的文档处理能力：支持 PDF、Word、Excel、PPT、图片等多种格式，准确提取标题、公式、图表、表格等元素，保留文档的语义结构

• 灵活的解析配置：支持 TextIn、MinerU、PaddleOCR 等多种解析引擎，可根据文档类型灵活选择

• 便捷的集成方式：提供 XParseLoader 类，与 LangChain 的文档加载器接口完全兼容，支持同步、异步、懒加载等多种加载方式

• 完整的 Pipeline 支持：支持 parse、chunk、embed 三个阶段，可单独使用或组合使用，满足不同场景需求

• 丰富的元数据：解析结果包含丰富的元数据信息，如页码、元素类型、坐标等，便于后续处理和分析

安装与配置

安装

从 PyPI 安装：

pip install langchain-xparse

配置 API 凭证

在使用 XParseLoader 之前，需要配置 xParse 的 API 凭证。您可以通过以下两种方式配置：

方式一：环境变量（推荐）

在终端中设置环境变量：

export XPARSE_APP_ID="your-app-id"
export XPARSE_SECRET_CODE="your-secret-code"

 

或在 Python 代码中设置：

import os
os.environ["XPARSE_APP_ID"] = "your-app-id"
os.environ["XPARSE_SECRET_CODE"] = "your-secret-code"

方式二：直接传参

在创建 XParseLoader 时直接传入凭证：

from langchain_xparse import XParseLoader

loader = XParseLoader(
    file_path="doc.pdf",
    app_id="your-app-id",
    secret_code="your-secret-code",
)

提示：请前往 TextIn 工作台(https://www.textin.com/console/dashboard/setting) 获取 API Key。

基本使用方法

基础解析（parse only）

最简单的使用方式，仅解析文档内容：

from langchain_xparse import XParseLoader

# 创建加载器
loader = XParseLoader(file_path="example.pdf")

# 加载文档
docs = loader.load()

# 查看解析结果
print(docs[0].page_content[:200])  # 文档内容（Markdown 格式）
print(docs[0].metadata)  # 元数据：source, category, element_id, filename, page_number, ...

懒加载（lazy load）

对于大文件或多个文件，使用懒加载可以节省内存：

from langchain_xparse import XParseLoader

loader = XParseLoader(file_path="large_document.pdf")

# 懒加载，逐个返回文档
for doc in loader.lazy_load():
    print(f"页码: {doc.metadata.get('page_number')}")
    print(f"内容: {doc.page_content[:100]}...")
    # 处理文档

 

异步加载（async）

支持异步加载，适合异步应用场景：

import asyncio
from langchain_xparse import XParseLoader

async def load_documents():
    loader = XParseLoader(file_path="example.pdf")
    async for doc in loader.alazy_load():
        print(doc.page_content[:100])
        # 处理文档

# 运行异步函数
asyncio.run(load_documents())

 

便捷参数（parse + chunk）

使用便捷参数快速配置解析和分块：

from langchain_xparse import XParseLoader

# 解析 + 分块
loader = XParseLoader(
    file_path="doc.pdf",
    parse_provider="textin",
    chunk_strategy="by_title",  # 按标题分块
    chunk_max_characters=500,   # 最大字符数
    chunk_overlap=50,           # 重叠字符数
)

docs = loader.load()

 

解析 + 分块 + 向量化

一步完成解析、分块和向量化：

from langchain_xparse import XParseLoader

loader = XParseLoader(
    file_path="doc.pdf",
    parse_provider="textin",
    chunk_strategy="basic",
    chunk_max_characters=1000,
    embed_provider="qwen",
    embed_model_name="text-embedding-v4",
)

docs = loader.load()
# docs 中的每个文档都包含向量（embedding）

 

自定义 stages（高级用法）

对于需要更精细控制的场景，可以使用自定义 stages：

from langchain_xparse import XParseLoader

loader = XParseLoader(
    file_path="doc.pdf",
    stages=[
        {"type": "parse", "config": {"provider": "textin"}},
        {"type": "chunk", "config": {"strategy": "by_page", "max_characters": 800}},
    ],
)

docs = loader.load()

 

 

多文件处理

支持同时处理多个文件：

from langchain_xparse import XParseLoader

loader = XParseLoader(file_path=["a.pdf", "b.pdf", "c.pdf"])

for doc in loader.lazy_load():
    print(f"文件: {doc.metadata.get('source')}")
    print(f"内容预览: {doc.page_content[:50]}...")

 

 

文件对象处理

支持直接传入文件对象：

from langchain_xparse import XParseLoader

with open("doc.pdf", "rb") as f:
    loader = XParseLoader(file=f, metadata_filename="doc.pdf")
    docs = loader.load()
点击并拖拽以移动

 

 

注意：当传入文件对象时，必须设置 metadata_filename 参数。

常见问题

Q: 如何获取 API Key？

A:

xParse API 凭证：请前往 TextIn 工作台 - 账号与开发者信息 获取 XPARSE_APP_ID 和 XPARSE_SECRET_CODE，详细获取方式请参考 [API Key 文档](/pipeline/api-key)。

Q: xParse 支持哪些文件格式？

A: xParse 支持以下文件格式：

• 文档格式：PDF、Word（.docx）、Excel（.xlsx）、PPT（.pptx）

• 图片格式：JPG、PNG、BMP、TIFF 等常见图片格式

Q: 如何选择合适的解析引擎？

A: 根据文档类型和需求选择合适的解析引擎：

• TextIn：适合大多数场景，速度和准确性俱佳（推荐）

• TextIn-lite：适合纯文本、表格图片、电子档 PDF 等场景，速度更快，价格更低

• mineru：适合学术论文等场景，表现优异

• paddle：适合多语言和复杂文档场景（如 PPT），表现优异

Q: 分块策略（chunk_strategy）如何选择？

A: 根据文档类型和用途选择：

• basic：基础分块，按固定字符数切分，适合简单文档

• by_title：按标题分块，保留文档的层级结构，适合结构化文档（推荐）

• by_page：按页分块，适合页面独立性强的文档

Q: 解析后的结果格式是什么？

A: XParseLoader 返回的是 LangChain 的 Document 对象，包含：

• page_content：文档内容（Markdown 格式）

• metadata：元数据信息，包括：

  • source：文件路径或标识

  • filename：文件名

  • page_number：页码

  • category：元素类型（如 title、paragraph、table 等）

  • element_id：元素 ID

  • 其他解析相关的元数据

Q: 支持异步处理吗？

A: 支持。使用 alazy_load() 方法进行异步加载：

async for doc in loader.alazy_load():
    # 处理文档
点击并拖拽以移动

Q: 可以处理多个文件吗？

A: 可以。传入文件路径列表即可：

loader = XParseLoader(file_path=["file1.pdf", "file2.pdf"])

 

Q: 如何自定义解析配置？

A: 使用 stages 参数进行高级配置：

loader = XParseLoader(
    file_path="doc.pdf",
    stages=[
        {"type": "parse", "config": {"provider": "textin", "parse_mode": "auto"}},
        {"type": "chunk", "config": {"strategy": "by_title", "max_characters": 800}},
    ],
)
点击并拖拽以移动

 

 

更多配置选项请参考 Pipeline API 文档(https://docs.textin.com/api-reference/endpoint/pipeline)。

​