bohrium-pdf-parser

name	bohrium-pdf-parser
description	Parse PDF documents via Bohrium open API. Use when: user asks about extracting text, tables, charts, formulas, or molecules from PDF files on Bohrium, submitting PDFs by URL or file upload. NOT for: file management, dataset management, or knowledge base operations.

SKILL: Bohrium PDF 解析

概述

使用 Bohrium 平台提供的 PDF 解析服务（Uni-Parser），从 PDF 中提取文本、表格、图表、公式、分子式等内容。支持两种提交方式：

• URL 提交 — 传入 PDF 下载链接
• 文件上传 — 上传本地 PDF 文件

无 CLI 支持 — 全部通过 HTTP API 操作。

认证配置

BOHR_ACCESS_KEY 从 OpenClaw 配置文件 ~/.openclaw/openclaw.json 中读取：

"bohrium-pdf-parser": {
  "enabled": true,
  "apiKey": "YOUR_BOHR_ACCESS_KEY",
  "env": {
    "BOHR_ACCESS_KEY": "YOUR_BOHR_ACCESS_KEY"
  }
}

OpenClaw 会自动将 env.BOHR_ACCESS_KEY 注入到运行环境。

通用代码模板

import os, time, uuid, requests

AK = os.environ.get("BOHR_ACCESS_KEY", "")
BASE = "https://open.bohrium.com/openapi/v2/parse"
HEADERS = {"Authorization": f"Bearer {AK}"}
HEADERS_JSON = {**HEADERS, "Content-Type": "application/json"}

---

解析工作流

1. 提交 PDF（URL 或文件上传）→ 获得 token
2. 用 token 轮询结果 → status == "success" 时完成

同步模式（sync=true）提交后等待解析完成再返回，但不含 content，仍需调用 get-result 获取；异步模式（sync=false，默认）需要轮询 get-result 等待 status 变为 success。

---

解析选项说明

解析参数使用整数值控制精度：

值	含义
-1	返回 Base64 图片（不做识别）
0	禁用该模块
1	快速模式
2	高精度模式
3	直接提取（仅 textual 支持，用于数字 PDF 直接提取文本）

参数	类型	说明
sync	bool/string	true 同步等待，false 异步轮询
textual	int	解析文本内容（支持 0/1/2/3）
equation	int	解析公式（支持 0/1/2）
table	int	解析表格（支持 0/1/2）
chart	int	解析图表（支持 0/1）
figure	int	解析图像（支持 -1/0/1）
expression	int	解析化学反应式（支持 0/1）
molecule	int	解析分子式（支持 0/1）
pages	list[int] / int	指定解析页码（0-indexed），省略则解析全部页
timeout	int	超时时间（秒）

注意：JSON 请求体中 pages 可传数组 [0, 1, 2]；multipart form 中只能传单个整数。

---

URL 提交解析

r = requests.post(f"{BASE}/trigger-url-async", headers=HEADERS_JSON, json={
    "url": "https://www.nature.com/articles/s41586-021-03819-2.pdf",
    "sync": False,
    "textual": 2,
    "table": 2,
    "molecule": 0,
    "chart": 0,
    "figure": 0,
    "expression": 1,
    "equation": 2,
    "pages": [0],           # 0-indexed，省略则解析全部页
    "timeout": 1800
})
data = r.json()
token = data["token"]
print(f"Token: {token}, Status: {data['status']}")

响应字段：

字段	说明
token	任务标识，用于查询结果（网关自动生成）
status	初始状态为 undefined
created_time	创建时间
page_count	PDF 总页数
time_dict	各阶段耗时

URL 方式下网关会自动注入 token 字段，客户端无需自行生成。

---

文件上传解析

文件上传使用 multipart/form-data，必须由客户端生成并传入 token 字段（网关对 multipart 请求不自动注入 token）。认证推荐使用 query param 方式。

import uuid
from pathlib import Path

pdf_path = Path("./paper.pdf")
task_token = str(uuid.uuid4())

with open(pdf_path, "rb") as f:
    r = requests.post(
        f"{BASE}/trigger-file-async",
        headers=HEADERS,       # 不要设置 Content-Type；requests 会自动处理 multipart boundary
        files={"file": (pdf_path.name, f, "application/pdf")},
        data={
            "token": task_token,    # 必须：客户端生成的 UUID
            "sync": "false",
            "textual": "2",
            "table": "2",
            "molecule": "0",
            "chart": "0",
            "figure": "0",
            "expression": "1",
            "equation": "2",
            "timeout": "1800"
        },
        timeout=60
    )
token = r.json()["token"]

关键点：

• token 字段必填，传客户端生成的 UUID
• 认证使用 Authorization: Bearer <BOHR_ACCESS_KEY> header
• 不要设置 Content-Type header，让 requests 自动处理 multipart boundary
• form data 中所有值都是字符串（"2" 而非 2）

---

查询解析结果

r = requests.post(f"{BASE}/get-result", headers=HEADERS_JSON, json={
    "token": token,
    "content": True,        # 返回解析出的文本
    "objects": False,       # 返回解析出的对象（表格、图等）
    "pages_dict": False     # 是否返回按页结果；true 时返回列表结构
})
data = r.json()
print(f"Status: {data['status']}, Content length: {len(data.get('content', ''))}")

响应字段：

字段	说明
status	success / undefined（排队中）/ processing / failed
token	任务标识
content	解析出的文本（LaTeX 标记格式）
pages_dict	按页的解析结果列表（当前接口返回 list，不要假设为 dict）
lang	检测到的语言（en / zh 等）
proc_page / total_page	已处理/总页数
proc_textual / total_textual	已处理/总文本块数
proc_table / total_table	已处理/总表格数
proc_mol / total_mol	已处理/总分子式数
proc_equa / total_equa	已处理/总公式数
time_dict	各阶段耗时详情
cost	费用

---

异步轮询完整示例

import os, time, requests

AK = os.environ.get("BOHR_ACCESS_KEY", "")
BASE = "https://open.bohrium.com/openapi/v2/parse"
HEADERS = {"Authorization": f"Bearer {AK}"}
HEADERS_JSON = {**HEADERS, "Content-Type": "application/json"}

# 1. 提交
r = requests.post(f"{BASE}/trigger-url-async", headers=HEADERS_JSON, json={
    "url": "https://www.nature.com/articles/s41586-021-03819-2.pdf",
    "sync": False,
    "textual": 2, "table": 2, "molecule": 0,
    "chart": 0, "figure": 0,
    "expression": 1, "equation": 2,
    "pages": [0],
    "timeout": 1800
})
submit = r.json()
if submit.get("code"):
    print(f"Submit failed: {submit.get('message')}")
    exit(1)

token = submit["token"]
print(f"Submitted, token={token}")

# 2. 轮询结果
for attempt in range(60):
    time.sleep(3)
    r = requests.post(f"{BASE}/get-result", headers=HEADERS_JSON, json={
        "token": token,
        "content": True,
        "objects": False,
        "pages_dict": False
    })
    result = r.json()
    status = result.get("status", "")
    print(f"  [{attempt+1}] status={status}")

    if status == "success":
        print(f"Done! Content length: {len(result.get('content', ''))}")
        print(f"Language: {result.get('lang')}, Cost: {result.get('cost')}")
        print(f"Preview: {result.get('content', '')[:200]}")
        break
    elif status == "failed":
        print(f"Failed: {result.get('description', 'unknown error')}")
        break
else:
    print("Timeout: task did not complete within 180 seconds")

---

同步模式示例

同步模式（sync=true）提交后等待解析完成再返回，无需轮询状态。但返回中不含 content 字段，仍需调用 get-result 获取解析内容：

# 1. 同步提交 — 阻塞等待解析完成
r = requests.post(f"{BASE}/trigger-url-async", headers=HEADERS_JSON, json={
    "url": "https://www.nature.com/articles/s41586-021-03819-2.pdf",
    "sync": True,
    "textual": 2, "table": 2,
    "molecule": 0, "chart": 0, "figure": 0,
    "expression": 1, "equation": 2,
    "pages": [0],
    "timeout": 1800
})
submit = r.json()
token = submit["token"]
# submit["status"] == "success"，但不含 content

# 2. 获取内容
r = requests.post(f"{BASE}/get-result", headers=HEADERS_JSON, json={
    "token": token,
    "content": True, "objects": False, "pages_dict": False
})
result = r.json()
print(f"Content: {result['content'][:200]}")

---

curl 示例

AK="$BOHR_ACCESS_KEY"
BASE="https://open.bohrium.com/openapi/v2/parse"

# URL 提交
curl -s -X POST "$BASE/trigger-url-async" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AK" \
  -d '{"url":"https://www.nature.com/articles/s41586-021-03819-2.pdf","sync":false,"textual":2,"table":2,"molecule":0,"chart":0,"figure":0,"expression":1,"equation":2,"pages":[0],"timeout":1800}'

# 文件上传（注意 token 必填）
curl -s -X POST "$BASE/trigger-file-async" \
  -H "Authorization: Bearer $AK" \
  -F "file=@paper.pdf" \
  -F "token=$(uuidgen)" \
  -F "sync=false" -F "textual=2" -F "table=2" \
  -F "equation=2" -F "molecule=0" -F "chart=0" -F "figure=0"

# 查询结果
curl -s -X POST "$BASE/get-result" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AK" \
  -d '{"token":"YOUR_TOKEN","content":true,"objects":false,"pages_dict":true}'

---

常见问题

问题	原因	解决
Token is required	文件上传时未传 token 字段	multipart 请求必须由客户端生成 UUID 作为 token 字段传入
文件上传 401	未传或传错鉴权信息	使用 Authorization: Bearer $BOHR_ACCESS_KEY
AccessKey is required	未传或传错鉴权信息	使用 Authorization: Bearer $BOHR_ACCESS_KEY
URL 提交超时	服务端无法下载目标 PDF（如 arxiv 网络不通）	换用其他可达的 PDF URL，或改用文件上传方式
int_parsing 错误	文件上传时 pages 传了 JSON 数组	multipart form 中 pages 只能传单个整数
status: undefined	异步任务排队中	等待后重新调用 get-result，建议间隔 3 秒轮询
status: processing	正在解析	继续轮询，大文件可能需要 1-3 分钟
content 含 LaTeX 标记	正常行为	解析结果用 \begin{title} 等标记段落结构，需后处理提取纯文本
大文件解析慢	页数多或内容复杂	用 pages 参数指定需要的页码，减少解析范围
figure 返回 403	AccessKey 无该模块权限	设置 figure: 0 禁用，或联系平台开通权限