文档解析

Firecrawl 提供强大的文档解析能力，支持从多种文档 formats 中提取结构化内容。该功能对处理电子表格、Word 文档等文件尤其实用。

Firecrawl 目前支持以下文档 formats：

• Excel 电子表格 (.xlsx、.xls)

  • 每个工作表会转换为一个 HTML 表格
  • 不同工作表以带有工作表名称的 H2 标题分隔
  • 保留单元格格式和数据类型

• Word 文档 (.docx、.doc、.odt、.rtf)

  • 在保留文档结构的同时提取文本内容
  • 保留标题、段落、列表和表格
  • 保留基础格式与样式

• PDF 文档 (.pdf)

  • 提取包含布局信息的文本内容
  • 保留包括章节与段落在内的文档结构
  • 支持处理基于文本的 PDF 和扫描版 PDF (含 OCR)
  • 支持通过 mode 选项控制解析策略：fast (仅文本) 、auto (文本并在需要时回退到 OCR，默认) 、ocr (强制使用 OCR)
  • 费用为每页 1 个积分。详情请参阅 Pricing。

使用 parsers 选项来控制 PDF 的解析方式：

// 带模式的对象语法
parsers: [{ type: "pdf", mode: "ocr", maxPages: 20 }]

// 默认（自动模式）
parsers: [{ type: "pdf" }]

Firecrawl 的文档解析支持两种方式：

1. 基于 URL 的解析 (/v2/scrape)：提供一个指向受支持文档类型的 URL。
2. 文件上传解析 (/v2/parse)：使用 multipart/form-data 直接上传文件字节流。

对于基于 URL 的解析，Firecrawl 会根据文件扩展名或内容类型自动识别文件类型。

当源文档存储在本地，或无法通过公开 URL 访问时，请使用 /v2/parse。

curl -X POST "https://api.firecrawl.dev/v2/parse" \
  -H "Authorization: Bearer fc-YOUR-API-KEY" \
  -F 'options={"formats":["markdown"]}' \
  -F "file=@./document.docx;type=application/vnd.openxmlformats-officedocument.wordprocessingml.document"

import { Firecrawl } from 'firecrawl';

const firecrawl = new Firecrawl({
  // 无需 API 密钥即可开始使用 — 添加一个以获得更高的限流额度：
  // apiKey: "fc-YOUR-API-KEY",
});

const doc = await firecrawl.scrape('https://example.com/data.xlsx');

console.log(doc.markdown);

import { Firecrawl } from 'firecrawl';

const firecrawl = new Firecrawl({
  // 无需 API 密钥即可开始使用 — 添加一个以获得更高的限流额度：
  // apiKey: "fc-YOUR-API-KEY",
});

const doc = await firecrawl.scrape('https://example.com/data.docx');

console.log(doc.markdown);

所有受支持的文档类型都会转换为简洁、结构化的 Markdown。比如，一个包含多个工作表的 Excel 文件可能会被转换为：

## 工作表1

| 名称  | 数值 |
|-------|-------|
| 项目 1 | 100   |
| 项目 2 | 200   |

## 工作表2

| 日期       | 描述  |
|------------|--------------|
| 2023-01-01 | 第一季度|

你是需要 Firecrawl API 密钥的 AI 代理吗？请参见 firecrawl.dev/agent-onboarding/SKILL.md 了解自动化接入说明。