RAGFlow集成TextIn方案2.0上线！支持快速镜像部署，随时切换解析插件

📝 项目简介

当前基于 RAGFlow v0.24.0 | 插件式集成

本项目是 RAGFlow 的​增强版本​，集成了 TextIn 文档智能解析能力，提供更高质量的 PDF 文档理解。

TextIn 是合合信息旗下的文档智能处理云平台，通过 AI 能力实现文本、表格、图表和公式的精准提取。

​Github 项目地址：​https://github.com/intsig-textin/xparse-ragflow

设计理念

✅ 插件式集成 — 新增功能独立存放，不破坏 RAGFlow 原有代码结构

✅ 最小侵入 — 对原有文件的修改仅限于必要的路由接入

✅ 易于维护 — 便于持续跟进 RAGFlow 上游版本更新

✅ 灵活切换 — 可随时切换回官方版本或使用其他解析引擎

✨ 核心特性

🚀 快速开始

✅ 前置条件

在开始之前，请确保：

1. ✅ 已注册 TextIn（https://www.textin.com/）账号并开通 API 权限
2. ✅ 从 TextIn 控制台（https://www.textin.com/console/dashboard/setting）获取 App ID 和 Secret Code
3. ✅ 本地已安装 RAGflow 对应官方版本

⚠️ ​版本提示​：请确保部署的服务镜像版本与 Github 仓库当前 Tag 保持一致，避免版本不兼容问题。

🇨🇳 国内镜像加速

国内用户可以使用以下阿里云镜像加速部署，提升拉取速度：

⚙️ 配置方法

使用国内镜像需要修改以下文件：

📄 步骤 1：修改 ​docker/.env​​​ 文件​（RAGFlow 主服务镜像）

# 将第 157 行修改为：
RAGFLOW_IMAGE=crpi-2ix4w0sw61gwpv0x.cn-shanghai.personal.cr.aliyuncs.com/intsig_acg/ragflow:v0.24.0

📄 步骤 2：修改 ​docker/docker-compose-base.yml​​​ 文件​（依赖服务镜像）

# 第 5 行 - Elasticsearch
image: crpi-2ix4w0sw61gwpv0x.cn-shanghai.personal.cr.aliyuncs.com/intsig_acg/elasticsearch:8.11.3

# 第 178 行 - MySQL
image: crpi-2ix4w0sw61gwpv0x.cn-shanghai.personal.cr.aliyuncs.com/intsig_acg/mysql:8.0.39

# 第 205 行 - MinIO
image: crpi-2ix4w0sw61gwpv0x.cn-shanghai.personal.cr.aliyuncs.com/intsig_acg/minio:RELEASE.2025-06-13T11-33-47Z

# 第 227 行 - Valkey
image: crpi-2ix4w0sw61gwpv0x.cn-shanghai.personal.cr.aliyuncs.com/intsig_acg/valkey:8

📦 安装步骤

💡 根据实际需求选择以下两种部署方式之一：

🎯 方式一：使用国内镜像（推荐）

✨ 适用于快速部署和生产环境。

按照上述【国内镜像加速】章节修改 docker/.env 和 docker/docker-compose-base.yml 文件中的镜像地址。

🔧 方式二：从源码构建

🛠️ 适用于需要修改代码或调试的场景。

📥 步骤 1：克隆仓库并构建镜像

git clone https://github.com/intsig-textin/xparse-ragflow.git
cd xparse-ragflow
docker build -t your-image-name:tag -f Dockerfile .

⚙️ 步骤 2：配置镜像名称

修改 docker/.env 文件第 157 行：

RAGFLOW_IMAGE=your-image-name:tag

🚀 启动与访问

✅ 完成上述配置后，执行以下命令启动服务：

cd docker
DEVICE=gpu docker-compose up -d

🌐 访问界面

服务启动完成后，在浏览器中访问以下地址：

http://localhost:{SVR_WEB_HTTP_PORT}

💡 默认端口为 80，可在 docker/.env 中通过 SVR_WEB_HTTP_PORT 配置。

📘 使用指南

1. 配置 TextIn 解析引擎

步骤 1.1：进入模型提供商设置

登录 RAGFlow 后，点击右上角头像，进入​用户设置 → 模型提供商​。

步骤 1.2：添加 TextIn 模型

找到 TextIn 卡片，点击​添加模型​，填写以下配置信息：

步骤 1.3：验证并保存

点击 验证 按钮测试连接，验证通过后点击 添加​ 保存配置。

2. 在知识库中使用

步骤 2.1：创建或打开知识库

在 RAGFlow 主界面创建新知识库，或打开已有知识库。

步骤 2.2：选择 TextIn 解析器

进入知识库的 设置 页面，找到 PDF 解析器 选项。

在下拉列表的 TextIn 分组中，选择刚才添加的模型（标注为 ​Experimental​）。

点击 保存 应用配置。

3. 解析 PDF 文档

步骤 3.1：上传文档

在知识库中点击 ​上传文件​，选择需要解析的 PDF 文档。

步骤 3.2：开始解析

上传完成后，RAGFlow 将自动使用 TextIn API 进行解析。

步骤 3.3：查看结果

解析完成后，可在文档详情页查看提取的文本、表格和图像内容。

🏗️ 架构说明

数据流程图

┌─────────────┐
│  PDF 文件   │
└──────┬──────┘
       │
       ▼
┌─────────────────────────────┐
│  naive.py: by_textin()      │  ← 文档处理入口
└──────┬──────────────────────┘
       │
       ▼
┌─────────────────────────────┐
│  LLMBundle (OCR 类型)        │  ← 知识库配置的 TextIn 模型
└──────┬──────────────────────┘
       │
       ▼
┌─────────────────────────────┐
│  TextInOcrModel             │  ← rag/llm/ocr_model.py
└──────┬──────────────────────┘
       │
       ▼
┌─────────────────────────────┐
│  TextInParser               │  ← deepdoc/parser/textin_parser.py
│  ├─ 调用 TextIn API          │
│  └─ 使用 pdfplumber 渲染页面 │
└──────┬──────────────────────┘
       │
       ▼
┌─────────────────────────────┐
│  (sections, tables, images) │  ← 与 RAGFlowPdfParser 兼容的输出
└─────────────────────────────┘
       │
       ▼
┌─────────────────────────────┐
│  Chunking 流水线            │  ← 无需任何改动
└─────────────────────────────┘

​关键设计​：TextInParser 继承自 RAGFlowPdfParser，输出格式完全兼容，下游的 Chunking、索引流程无需任何调整。

代码改动概览

后端改动文件

前端改动文件

❓ 常见问题

Q：TextIn 会影响嵌入模型或检索流程吗？

不会。TextIn 仅负责 PDF 文档的解析阶段（OCR + 布局分析），后续的向量嵌入、文本分块（Chunking）、检索等流程完全不受影响。

Q：需要本地 GPU 资源吗？

不需要。TextIn 解析完全通过云端 API 调用实现，本地不会加载任何 OCR 或布局识别模型，对硬件无特殊要求。

Q：支持 Word、Excel 等其他文件格式吗？

目前仅支持 PDF 格式。本集成以插件方式接入，只在知识库配置 TextIn 引擎时对 PDF 生效，Word、Excel 等文件类型仍使用 RAGFlow 原有的解析器，行为不受影响。

Q：能同时使用 TextIn 和 DeepDOC 解析器吗？

可以。PDF 解析器在知识库级别独立配置，不同知识库可以选择不同的解析引擎（TextIn、DeepDOC 等），互不干扰。

Q：TextIn API 调用失败会怎样？有降级机制吗？

目前没有自动降级机制。如果 TextIn API 调用失败，解析任务会报错终止。建议在使用前先通过模型验证功能测试 API 连接。

Q：如何查看 TextIn API 的调用费用？

TextIn 是按调用次数或页数计费的服务，具体费用请登录 TextIn 控制台（https://www.textin.com/console/dashboard 查看账户余额和计费明细。

Q：解析速度如何？比本地 DeepDOC 快吗？

解析速度取决于文档复杂度和网络状况。TextIn 通过云端 GPU 集群处理，对于复杂文档通常比本地单 GPU 更快，但需要考虑网络延迟和 API 队列时间。

📊 文档解析模型评测

本项目提供了完整的评测工具，通过 RAGFlow 问答质量对比来评估不同文档解析器（TextIn、DeepDOC、PaddlePaddle 等）的实际效果。

完整的工具使用指南、配置方法和示例，请查看 👇

​RAGFlow 文档解析器效果对比工具：​https://github.com/intsig-textin/xparse-ragflow/blob/main/test_qa/README.md

🔬 进阶内容

解析行为说明

内容类型映射

TextIn API 返回结构化的 detail 数组，解析器按以下规则处理不同类型的内容：

跨页表格处理

TextIn 通过 split_section_page_ids 和 split_section_positions 字段标记跨页拆分的表格。

解析器会为每个分段生成独立的 position 记录，确保在 RAGFlow UI 中能够正确高亮显示表格的所有分段。

坐标系统转换

TextIn API 使用 144 DPI 坐标系统，而 RAGFlow 使用 72 DPI。解析器会自动进行坐标转换：

ragflow_coord = textin_coord / 2.0

这确保了文档高亮位置的准确性。

开发者指南

类继承关系

RAGFlowPdfParser (基类)
    │
    └── TextInParser              ← deepdoc/parser/textin_parser.py
            │
            └── TextInOcrModel    ← rag/llm/ocr_model.py

本地开发

如需修改 TextIn 集成代码，建议按以下步骤进行本地开发：

# 1. 克隆仓库
git clone <repository-url>
cd ragflow

# 2. 安装依赖
uv sync --python 3.12 --all-extras

# 3. 启动基础服务
docker compose -f docker/docker-compose-base.yml up -d

# 4. 配置环境变量
cp docker/.env.example docker/.env
# 编辑 docker/.env，添加 TextIn 配置

# 5. 启动后端服务
source .venv/bin/activate
export PYTHONPATH=$(pwd)
bash docker/launch_backend_service.sh

# 6. 修改代码并测试
# 修改 deepdoc/parser/textin_parser.py 等文件
# 重启服务验证效果

🔗 相关链接

官方资源

• ​RAGFlow 官方仓库​：https://github.com/infiniflow/ragflow
• ​RAGFlow 文档​：https://ragflow.io/docs
• ​TextIn 官网​：https://www.textin.com/
• ​TextIn API 文档​：https://docs.textin.com/xparse/parse-quickstart