元素示例
以下是一个元素的示例：text 以及 metadata。元数据的具体内容会根据元素类型、文件结构以及 解析、分块、向量化 阶段的配置而有所不同。如果执行了向量化，元素还会包含从 text 生成的 embeddings（向量嵌入），其长度取决于使用的嵌入模型。
元素类型
与将文件简单视为纯文本不同，xParse 会保留文件的语义结构。这样您就能更灵活地控制后续处理方式，并充分考虑文件的结构特点。同时，通过将不同文件格式的数据统一转换为 xParse 的元素类型，无论源文件是什么格式，您都可以在下游处理中采用相同的方式处理。 例如，当您需要总结一个文件时，可能只关心正文内容，而不需要页眉和页脚。通过指定元素类型，您可以轻松过滤掉不需要的元素。 以下是可用的元素类型：元素 ID
元素 ID 是“文本内容 + 页面位置 + 页码 + 文件名”的 SHA-256 哈希值，确保在文件级别上的唯一性和确定性。元数据
xParse 会为每个元素记录丰富的元数据信息，这些信息存储在metadata 字段中。
元素元数据使您能够执行以下操作：
- 根据元素的
metadata值过滤元素。例如，可以只处理特定页面的元素，或者只处理元数据中邮箱地址匹配正则表达式的元素。 - 将元素映射回原始页面，当元素匹配搜索条件时，可以快速定位到原始页面。
元数据字段
常用的metadata 字段如下：
filename / filetype / last_modified
filename：例如annual_report.pdf，用于溯源。filetype：标准 MIME 类型。last_modified：毫秒时间戳，便于做增量更新或版本比对。
page_number / page_width / page_height
page_number：元素所在的页码。page_width：元素所在的页面的宽度（单位：像素）。page_height：元素所在的页面的高度（单位：像素）。
coordinates
- 以长度为 8 的浮点数组表示四边形，8 个数两两一组为一个点的横纵坐标，分别是左上、右上、右下、左下。
- 坐标为归一化坐标，范围在 [0, 1] 之间，保留4位小数。坐标值相对于页面尺寸（page_width × page_height）进行归一化。
- 示例：
[0.1822, 0.2316, 0.6717, 0.2316, 0.6717, 0.2732, 0.1822, 0.2732] - 常用于高亮定位、截图裁剪或还原源文件的版面。
parent_id / category_depth
parent_id：父节点哈希，可映射章节树或表格/图片的归属关系。category_depth：同类型元素的层级深度（如标题等级），便于构建目录。
image_base64 / image_mine_type
- 针对
Image元素，提供直接可用的 base64 编码及 MIME 类型，方便在无对象存储场景下预览。 image_base64：当开启get_sub_image时返回，图片元素的base64表示。
page_image_url / original_image_url
page_image_url：页面图片的下载链接。当开启get_page_image时返回。如果开启了预处理参数（切边增强或去水印），返回的是预处理后的页面图片。original_image_url：未经预处理的原始页面图片链接。仅在开启预处理参数（切边增强或去水印）时返回。
figure_caption_id
- 当元素
type为Image时，figure_caption_id表示对应的图片标题（type=FigureCaption）元素的element_id。用于关联图片和其标题。
text_as_html
- 表格或富文本的 HTML 序列化结果，可用于直接渲染或导出。
orig_elements
- chunk 阶段在设置
include_orig_elements=true（或系统默认启用）时，记录组成当前块的原始元素。 - xParse 输出组成当前块的原始元素列表，该列表以 gzip+Base64 压缩串形式出现在 metadata.orig_elements 字段, 要获取原始内容，需要先 Base64-decode 解码，然后 gzip 解压缩，最后转换为 UTF-8 字符串（参考Chunk结果溯源）。
is_continuation
- 标记当前块是否与上一块连续，属于同一个解析元素（由于max_characters被截断）。
- 仅在 chunk 阶段返回。
data_source
- 数据源信息，包括文件名、文件路径、文件类型、文件大小、文件修改时间等。
- record_locator：记录原始文件的归档信息，包括协议、远程文件路径等。
- url：原始文件的 URL 地址。
- version：原始文件的版本号。
- date_created：原始文件的创建时间（毫秒时间戳）。
- date_modified：原始文件的修改时间（毫秒时间戳）。
- date_processed：原始文件的处理时间（毫秒时间戳）。
向量表示（Embeddings）
- 当执行 embed 阶段后，元素会在顶层新增
embeddings字段。 embeddings是一个浮点数组（默认为 1024 维），用于语义检索或相似度计算。- 如果未执行 embed 阶段，该字段不会出现。
完整元素示例
示例 1：仅解析后的元素
示例 2：解析 + 分块后的元素
示例 3：完整 Pipeline 处理后的元素（解析 + 分块 + 向量化）
示例 4：Image 元素（包含图片存储相关字段）
使用元数据
过滤元素
您可以使用元数据字段来过滤元素。例如，只保留表格且目录深度不超过 1 的元素：追踪原始元素
当使用分块功能时，您可以使用orig_elements 字段来追踪块的来源：
向量检索
当元素包含embeddings 字段时，您可以使用这些向量进行相似度搜索：