# PDF文件正文抽取：企业合同与文档数字化整理方案
> 接口 PDF文件正文抽取（apiCode=10，接入点 10-1） · 免费服务 · 请求方式 POST · 返回格式 JSON · 适用人群 企业文档管理员、信息化负责人、法务/行政 · 阅读时间 约 6 分钟
## 核心要点
- 把合同、报告等 PDF 抽成 `text` 后，才能真正做「全文检索、关键词预警、归档索引」。
- 推荐落地方式：上传即抽取 → 写入数据库/搜索引擎 → 以文件名/元数据关联原文。
- 结合元数据（合同方、日期、编号）与 `text`，可搭建轻量文档中台。
## Why：企业为什么需要它
企业里大量关键文档以 PDF 形式沉淀：合同、标书、审计报告、内部制度。这些文件「看起来在系统里，实则搜不到、比不了、管不住」。PDF文件正文抽取把 PDF 变成纯文本，是文档数字化的第一道关口——之后的检索、比对、合规审查都建立在「文本可被程序读取」之上。
## What：方案速览
| 项目 | 说明 |
|------|------|
| 目标 | PDF → 可检索文本 → 入库 |
| 数据流 | 对象存储 PDF → 调用抽取 → `text` 入库 → 搜索引擎建索引 |
| 关键字段 | `text`（正文）、`showapi_res_id`（追溯） |
| 适合系统 | 合同管理、档案系统、知识库 |
## How：构建一个微型文档抽取管线
思路：文档上传到对象存储后触发抽取，把 `text` 与文档元数据一起写入数据库，供后续检索。
```python
import requests
def extract_text(pdf_bytes: bytes) -> str:
resp = requests.post(
"https://route.showapi.com/10-1?appKey=YOUR_APPKEY",
files={"pdf": ("doc.pdf", pdf_bytes)}, # 用元组指定文件名
timeout=15,
).json()
if resp.get("showapi_res_code") != 0:
raise RuntimeError(resp.get("showapi_res_error"))
body = resp["showapi_res_body"]
if body.get("ret_code") != "0":
raise RuntimeError(body.get("remark"))
return body.get("text", "")
# 伪代码：上传后入库
# doc_id = save_to_storage(pdf_bytes) # 你的对象存储
# text = extract_text(pdf_bytes)
# db.insert({"doc_id": doc_id, "text": text, "party": meta["party"], "sign_date": meta["date"]})
# search_index.update(doc_id, text) # 推送到搜索引擎
```
## 返回示例与解析
返回结构与单条调用一致，业务正文在 `showapi_res_body.text`。企业场景下，重点是把 `text` 与业务元数据（合同相对方、签署日期、文档类型）一起持久化，而不仅是临时打印。
## 进阶 / 边界
- **元数据与正文分离存储**：`text` 进检索库，原 PDF 进对象存储，二者用 `doc_id` 关联，避免把大文件塞进数据库。
- **异步化**：文档量上来后，抽取放到消息队列（如 RabbitMQ / Kafka）异步消费，前端先返回「处理中」，抽完再回填，提升体验。
- **审计追溯**：保留 `showapi_res_id`，出问题可向官方核对某次请求。
- **敏感文档**：合同含商业机密，注意 AppKey 权限与传输安全，正文落库后按权限管控。
## FAQ
**Q：抽取出来的文本能直接当「合同原文」存档吗？**
A：接口抽取的是 PDF 中的文字层，与原文字一致，但法律效力仍以加盖签章的原件为准；抽取文本建议用于检索/比对，原件另行归档。
**Q：几百页的大合同会超时吗？**
A：请求建议设 15~30 秒超时并加重试；超长文档若频繁超时，可先拆分再逐段抽取。
**Q：能顺带返回页码或章节结构吗？**
A：文档定义的返回字段只有 `ret_code` / `text` / `remark`，不提供页码或结构信息；如需结构，拿到 `text` 后用规则/模型自行切分。
**Q：和数据中台/ES 怎么接？**
A：抽取出 `text` 后，按你现有流程推送到 Elasticsearch / 数据库即可，接口本身只负责「PDF→text」这一步。
## 相关能力 / 下一步阅读
- [PDF文件正文抽取：把抽取结果转存为 TXT / DOCX](https://www.showapi.com/guides/pdf-extract-export-10)
- [PDF文件正文抽取：免费档位限制与频率/成本控制](https://www.showapi.com/guides/pdf-extract-free-tier-10)
- **本系列共 10 篇**：查看[PDF文件正文抽取指南总目录](https://www.showapi.com/guides/pdf-extract-guides-10)
