企业官网建设流程全解析

使用 MonkeyOCRv2 做文档解析时，你会同时得到 Markdown、JSON 和图片三类产物，其中的表格还会用 OTSL 格式表示。这篇指南带你快速读懂这三种解析输出格式，并说明各自适合什么场景、怎么用起来。

一、一次解析会生成什么？

用parse.py解析一个目录后，输出目录下每个文档会包含以下产物：

可以浏览仓库中真实解析结果：docs/parsing/id_exampaper_23_results/，其中markdowns、jsons、all_results.json三个位置与上面的说明一一对应。

二、JSON 输出：机器可读的完整结构

每个 JSON 文件顶层包含 4 个字段：

{ "image_name": "id_exampaper_23.jpg", "image_path": "id_exampaper_23.jpg", "image_size": [1700, 2200], "layouts": [ { "bbox": [196, 101, 945, 139], "label": "Page-header", "page_num": 1, "content": "CONTOH SOAL UJIAN CHARTERED ACCOUNTANT 2025" } ] }

• bbox：元素在原图中的坐标[x1, y1, x2, y2]，结合image_size可还原位置，也方便在原图上回画框。
• label：元素类别，包括Title、Section-header、Text、List-item、Formula、Table、Picture、Caption、Footnote、Page-header、Page-footer等。
• content：该块识别出的文本内容，按阅读顺序排列。

📌 实用技巧：做下游开发（如入库、RAG、版面分析）时，以 JSON 为准；做阅读和校对时再看 Markdown。示例可参考 id_exampaper_23.json。

三、Markdown 输出：给"人"看的版本

同一份文档的 Markdown（id_exampaper_23.md）大致长这样：

CONTOH SOAL UJIAN CHARTERED ACCOUNTANT 2025 18. Pernyataan berikut tidak tepat tentang faktor-faktor yang mempengaruhi keputusan penetapan harga:

与 JSON 相比有 3 个关键差异：

1. 不保留坐标和类别标签，只保留内容文本；
2. 默认丢弃页眉页脚（Page-header/Page-footer）。加--keep-header-footer参数后 Markdown 也会保留；
3. 图片用相对路径引用：识别出的插图会存到output/images/，Markdown 里写作image；加--use-base64则改为 base64 内嵌。

四、表格怎么表示：OTSL + HTML 双格式

这是最容易困惑的部分。当label为Table时，JSON 块里同时有两个字段：

• otsl：模型原始输出的 OTSL（Open Table Structure Language）字符串；
• content：由 core_runner.py 中otsl_to_html()自动转换成的HTML 表格。

4.1 读懂 OTSL 记号

OTSL 用尖括号标签描述单元格结构，常见标签：

一个真实例子（节选自 zh_financialpaper_43.json）：

<fcel>渠道<fcel>品牌<fcel>销额同比<lcel><fcel>销量同比<lcel>...<nl><ucel><ucel><fcel>23M11<fcel>2023累计...

逐段翻译：

• 第一行：渠道、品牌，销额同比向右跨 2 列（后面跟<lcel>）；
• 第二行：前两个<ucel>表示"被上方单元格纵向合并占用"，然后是 23M11、2023累计 等子表头。

4.2 实际使用时看哪个？

绝大多数场景直接用content里的 HTML 即可，例如：

<table><tr><td rowspan="2">渠道</td><td rowspan="2">品牌</td> <td colspan="2">销额同比</td>...</tr>

OTSL 更适合两类场景：训练/评测数据准备（仓库提供 html2otsl.py 做 HTML↔OTSL 互转），以及调试模型原始输出。转换规则的单测见 test_otsl_to_html.py，里面覆盖了空单元格、跨行跨列、非法输入兜底等行为——也就是说，即使模型偶发出错，content字段也总能得到一个合法的<table>。

五、公式与其他块

Formula块的content是标准 LaTeX，Markdown 中以$$...$$呈现，例如：

$$J ^ { q } / J ^ { q + 1 } = S _ { 1 } \oplus S _ { 2 } \oplus \cdots \oplus S _ { p }$$

Picture块则不输出文本，content为图片的 Markdown 引用路径；Caption与Footnote与普通文本一样按阅读顺序进入 Markdown。

六、常用参数速查

在 parse.py 中，与输出格式相关的常用参数：

批量任务建议始终保留 JSON 输出作为"唯一事实来源"，需要给人看时再渲染 Markdown；程序接口则可以参考 fastapi/main.py，它直接暴露了与本地 CLI 一致的解析结果。

小结

• Markdown→ 阅读、校对、轻量编辑；
• JSON→ 下游程序消费，bbox/label/content三要素齐全；
• OTSL→ 表格原始结构语言，日常使用看自动转换出的 HTML 即可。

掌握这三层解析输出格式，你就能把 MonkeyOCRv2 的解析结果灵活接入自己的文档处理流水线。