xparse-client 0.2.1__tar.gz → 0.2.2__tar.gz

{xparse_client-0.2.1/xparse_client.egg-info → xparse_client-0.2.2}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: xparse-client
-Version: 0.2.1
+Version: 0.2.2
 Summary: 面向Agent和RAG的新一代文档处理 AI Infra
 License-Expression: MIT
 Project-URL: Homepage, https://gitlab.intsig.net/xparse1/xparse-pipeline
@@ -69,25 +69,32 @@ pip install --upgrade xparse-client
 
 #### 代码配置
 ```python
-from xparse_client import ParseConfig, ChunkConfig, EmbedConfig, Pipeline, S3Source, MilvusDestination
-
-# 创建配置对象
-parse_config = ParseConfig(
-    provider='textin'
-)
-
-chunk_config = ChunkConfig(
-    strategy='by_title',
-    include_orig_elements=False,
-    new_after_n_chars=512,
-    max_characters=1024,
-    overlap=50
-)
-
-embed_config = EmbedConfig(
-    provider='qwen',
-    model_name='text-embedding-v4'
-)
+from xparse_client import ParseConfig, ChunkConfig, EmbedConfig, Stage, Pipeline, S3Source, MilvusDestination
+
+# 使用新的 stages 格式创建配置
+stages = [
+    Stage(
+        type='parse',
+        config=ParseConfig(provider='textin')
+    ),
+    Stage(
+        type='chunk',
+        config=ChunkConfig(
+            strategy='by_title',
+            include_orig_elements=False,
+            new_after_n_chars=512,
+            max_characters=1024,
+            overlap=50
+        )
+    ),
+    Stage(
+        type='embed',
+        config=EmbedConfig(
+            provider='qwen',
+            model_name='text-embedding-v4'
+        )
+    )
+]
 
 # 创建 Pipeline
 source = S3Source(...)
@@ -98,9 +105,7 @@ pipeline = Pipeline(
     destination=destination,
     api_base_url='https://api.textin.com/api/xparse',
     api_headers={...},
-    parse_config=parse_config,
-    chunk_config=chunk_config,
-    embed_config=embed_config
+    stages=stages
 )
 
 pipeline.run()
@@ -115,25 +120,32 @@ config = {
     'api_base_url': 'https://api.textin.com/api/xparse',
     'api_headers': {...},
     
-    # Parse 配置（可选）
-    'parse_config': {
-        'provider': 'textin' # 当前支持textin文档解析，未来可扩展
-    },
-    
-    # Chunk 配置（可选）
-    'chunk_config': {
-        'strategy': 'basic',             # 分块策略: 'basic' | 'by_title' | 'by_page'
-        'include_orig_elements': False,  # 是否包含原始元素
-        'new_after_n_chars': 512,        # 多少字符后创建新块
-        'max_characters': 1024,          # 最大字符数
-        'overlap': 0                     # 重叠字符数
-    },
-    
-    # Embed 配置（可选）
-    'embed_config': {
-        'provider': 'qwen',                # 向量化供应商: 'qwen'/'doubao'
-        'model_name': 'text-embedding-v3'  # 模型名称
-    }
+    # Stages 配置
+    'stages': [
+        {
+            'type': 'parse',
+            'config': {
+                'provider': 'textin'  # 当前支持textin文档解析，未来可扩展
+            }
+        },
+        {
+            'type': 'chunk',
+            'config': {
+                'strategy': 'basic',             # 分块策略: 'basic' | 'by_title' | 'by_page'
+                'include_orig_elements': False,  # 是否包含原始元素
+                'new_after_n_chars': 512,        # 多少字符后创建新块
+                'max_characters': 1024,          # 最大字符数
+                'overlap': 0                     # 重叠字符数
+            }
+        },
+        {
+            'type': 'embed',
+            'config': {
+                'provider': 'qwen',                # 向量化供应商: 'qwen'/'doubao'
+                'model_name': 'text-embedding-v3'  # 模型名称
+            }
+        }
+    ]
 }
 
 # 使用配置创建 pipeline
@@ -426,8 +438,12 @@ Parse 参数中有必填项`Provider`，表示文档解析服务的供应商，
 - textin: 合合信息提供的文档解析服务，在速度、准确性上均为行业领先
   - 支持的文档解析参数参考 [TextIn 文档解析官方API文档](https://docs.textin.com/api-reference/endpoint/parse)
   - 接口调用将按照 `TextIn 通用文档解析` 服务的计费标准进行计费
-- mineru: 敬请期待
-- paddle: 敬请期待
+- textin-lite：
+  - 接口调用将按照 `TextIn 通用表格识别` 服务的计费标准进行计费
+- mineru:
+  - 接口调用将按照 `TextIn 通用文档解析` 服务的计费标准进行计费
+- paddle:
+  - 接口调用将按照 `TextIn 通用文档解析` 服务的计费标准进行计费
 
 2. **Chunk Stage** (`type: "chunk"`)
 
@@ -473,21 +489,21 @@ Parse 参数中有必填项`Provider`，表示文档解析服务的供应商，
     "stats": {
       "original_elements": 10,   // 原始解析的元素数量
       "chunked_elements": 15,    // 分块后的元素数量
-      "embedded_elements": 15,   // 向量化后的元素数量
-      "parse_config": {       // 使用的 parse 配置
-        "provider": "textin"
-      }, 
-      "chunk_config": {          // 使用的 chunk 配置
-        "strategy": "basic",
-        "include_orig_elements": false,
-        "new_after_n_chars": 512,
-        "max_characters": 1024,
-        "overlap": 0
-      },
-      "embed_config": {          // 使用的 embed 配置
-        "provider": "qwen",
-        "model_name": "text-embedding-v3"
-      }
+      "embedded_elements": 15,    // 向量化后的元素数量
+      "stages": [
+        {
+          "type": "parse",
+          "config": {
+            "provider": "textin-lite"
+          }
+        },
+        {
+          "type": "chunk",
+          "config": {
+            "strategy": "by_title"
+          }
+        }
+      ]
     }
   }
 }
@@ -529,25 +545,32 @@ config = {
         'x-ti-secret-code': 'your-secret-code'
     },
     
-    # Parse 配置（可选）
-    'parse_config': {
-        'provider': 'textin'
-    },
-    
-    # Chunk 配置（可选）
-    'chunk_config': {
-        'strategy': 'by_title',           # 按标题分块
-        'include_orig_elements': False,
-        'new_after_n_chars': 512,
-        'max_characters': 1024,
-        'overlap': 50                    # 块之间重叠 50 字符
-    },
-    
-    # Embed 配置（可选）
-    'embed_config': {
-        'provider': 'qwen',
-        'model_name': 'text-embedding-v3'
-    }
+    # Stages 配置
+    'stages': [
+        {
+            'type': 'parse',
+            'config': {
+                'provider': 'textin'
+            }
+        },
+        {
+            'type': 'chunk',
+            'config': {
+                'strategy': 'by_title',           # 按标题分块
+                'include_orig_elements': False,
+                'new_after_n_chars': 512,
+                'max_characters': 1024,
+                'overlap': 50                    # 块之间重叠 50 字符
+            }
+        },
+        {
+            'type': 'embed',
+            'config': {
+                'provider': 'qwen',
+                'model_name': 'text-embedding-v3'
+            }
+        }
+    ]
 }
 
 # 使用配置创建并运行 pipeline
@@ -572,15 +595,33 @@ config = {
         'output_dir': './test_output'
     },
     'api_base_url': 'https://api.textin.com/api/xparse',
-    # 使用默认的 chunk 和 embed 配置
-    'chunk_config': {
-        'strategy': 'basic',
-        'max_characters': 1024
+    'api_headers': {
+        'x-ti-app-id': 'your-app-id',
+        'x-ti-secret-code': 'your-secret-code'
     },
-    'embed_config': {
-        'provider': 'qwen',
-        'model_name': 'text-embedding-v3'
-    }
+    # Stages 配置
+    'stages': [
+        {
+            'type': 'parse',
+            'config': {
+                'provider': 'textin'
+            }
+        },
+        {
+            'type': 'chunk',
+            'config': {
+                'strategy': 'basic',
+                'max_characters': 1024
+            }
+        },
+        {
+            'type': 'embed',
+            'config': {
+                'provider': 'qwen',
+                'model_name': 'text-embedding-v3'
+            }
+        }
+    ]
 }
 
 pipeline = create_pipeline_from_config(config)
@@ -598,14 +639,29 @@ config_by_page = {
     'destination': {...},
     'api_base_url': 'https://api.textin.com/api/xparse',
     'api_headers': {...},
-    'chunk_config': {
-        'strategy': 'by_page',         # 按页面分块
-        'max_characters': 2048,       # 增大块大小
-        'overlap': 100                # 页面间重叠 100 字符
-    },
-    'embed_config': {
-        'model_name': 'text-embedding-v4'  # 使用更高精度的模型
-    }
+    'stages': [
+        {
+            'type': 'parse',
+            'config': {
+                'provider': 'textin'
+            }
+        },
+        {
+            'type': 'chunk',
+            'config': {
+                'strategy': 'by_page',         # 按页面分块
+                'max_characters': 2048,       # 增大块大小
+                'overlap': 100                # 页面间重叠 100 字符
+            }
+        },
+        {
+            'type': 'embed',
+            'config': {
+                'provider': 'qwen',
+                'model_name': 'text-embedding-v4'  # 使用更高精度的模型
+            }
+        }
+    ]
 }
 
 # 配置 2：按标题分块（适合结构化文档）
@@ -614,15 +670,29 @@ config_by_title = {
     'destination': {...},
     'api_base_url': 'https://api.textin.com/api/xparse',
     'api_headers': {...},
-    'chunk_config': {
-        'strategy': 'by_title',        # 按标题分块
-        'include_orig_elements': True, # 保留原始元素信息
-        'max_characters': 1536
-    },
-    'embed_config': {
-        'provider': 'qwen',
-        'model_name': 'text-embedding-v3'
-    }
+    'stages': [
+        {
+            'type': 'parse',
+            'config': {
+                'provider': 'textin'
+            }
+        },
+        {
+            'type': 'chunk',
+            'config': {
+                'strategy': 'by_title',        # 按标题分块
+                'include_orig_elements': True, # 保留原始元素信息
+                'max_characters': 1536
+            }
+        },
+        {
+            'type': 'embed',
+            'config': {
+                'provider': 'qwen',
+                'model_name': 'text-embedding-v3'
+            }
+        }
+    ]
 }
 
 # 根据文档类型选择配置
@@ -659,15 +729,29 @@ config = {
         'x-ti-secret-code': 'secret'
     },
     
-    # 配置处理参数
-    'chunk_config': {
-        'strategy': 'basic',
-        'max_characters': 1024
-    },
-    'embed_config': {
-        'provider': 'qwen',
-        'model_name': 'text-embedding-v3'
-    }
+    # Stages 配置
+    'stages': [
+        {
+            'type': 'parse',
+            'config': {
+                'provider': 'textin'
+            }
+        },
+        {
+            'type': 'chunk',
+            'config': {
+                'strategy': 'basic',
+                'max_characters': 1024
+            }
+        },
+        {
+            'type': 'embed',
+            'config': {
+                'provider': 'qwen',
+                'model_name': 'text-embedding-v3'
+            }
+        }
+    ]
 }
 
 pipeline = create_pipeline_from_config(config)
@@ -690,14 +774,32 @@ config = {
         'output_dir': './output'
     },
     'api_base_url': 'https://api.textin.com/api/xparse',
-    'chunk_config': {
-        'strategy': 'basic',
-        'max_characters': 1024
+    'api_headers': {
+        'x-ti-app-id': 'your-app-id',
+        'x-ti-secret-code': 'your-secret-code'
     },
-    'embed_config': {
-        'provider': 'qwen',
-        'model_name': 'text-embedding-v3'
-    }
+    'stages': [
+        {
+            'type': 'parse',
+            'config': {
+                'provider': 'textin'
+            }
+        },
+        {
+            'type': 'chunk',
+            'config': {
+                'strategy': 'basic',
+                'max_characters': 1024
+            }
+        },
+        {
+            'type': 'embed',
+            'config': {
+                'provider': 'qwen',
+                'model_name': 'text-embedding-v3'
+            }
+        }
+    ]
 }
 
 pipeline = create_pipeline_from_config(config)
@@ -712,9 +814,7 @@ if result:
     print(f"原始元素: {stats.original_elements}")
     print(f"分块后: {stats.chunked_elements}")
     print(f"向量化: {stats.embedded_elements}")
-    print(f"使用配置:")
-    print(f"  - 分块策略: {stats.chunk_config.strategy}")
-    print(f"  - 向量模型: {stats.embed_config.model_name}")
+    print(f"执行的 stages: {[s.type for s in stats.stages]}")
     
     # 写入目的地
     metadata = {
@@ -733,9 +833,7 @@ Pipeline 接口会返回详细的处理统计信息：
 | `original_elements` | int | 原始解析的元素数量 |
 | `chunked_elements` | int | 分块后的元素数量 |
 | `embedded_elements` | int | 向量化后的元素数量 |
-| `parse_config` | ParseConfig | 使用的解析配置 |
-| `chunk_config` | ChunkConfig | 使用的分块配置 |
-| `embed_config` | EmbedConfig | 使用的向量化配置 |
+| `stages` | List[Stage] | 实际执行的 stages 配置 |
 
 **示例输出：**
 ```