Google Cloud Document AI 集成 - 以编程方式使用文档

Document AI 是 Google Cloud 的文档理解平台，可将文档中的非结构化数据转换为结构化数据，使数据更易于理解、分析和使用。

了解更多：

该模块包含一个 PDF 基于 Google Cloud DocAI 的解析器。

您需要安装两个库才能使用此解析器：

pip install -qU  langchain-google-community[docai]

首先，您需要设置一个 Google Cloud Storage (GCS) 存储桶，并按照以下说明创建您自己的光学字符识别 (OCR) 处理器： cloud.google.com/document-ai/docs/create-processor

该 GCS_OUTPUT_PATH 应该是 GCS 上文件夹的路径（以 gs://开头）和 PROCESSOR_NAME 应如下所示 projects/PROJECT_NUMBER/locations/LOCATION/processors/PROCESSOR_ID or projects/PROJECT_NUMBER/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION_ID。您可以通过编程方式获取，也可以从 Prediction endpoint 部分的 Processor details 选项卡中获取。Google Cloud Console。

GCS_OUTPUT_PATH = "gs://BUCKET_NAME/FOLDER_PATH"
PROCESSOR_NAME = "projects/PROJECT_NUMBER/locations/LOCATION/processors/PROCESSOR_ID"

from langchain_core.document_loaders.blob_loaders import Blob
from langchain_google_community import DocAIParser

现在，创建一个 DocAIParser.

parser = DocAIParser(
    location="us", processor_name=PROCESSOR_NAME, gcs_output_path=GCS_OUTPUT_PATH
)

在此示例中，您可以使用上传到公共 GCS 存储桶的 Alphabet 财报。

2022Q1_alphabet_earnings_release.pdf

将文档传递给 lazy_parse() 方法以

blob = Blob(
    path="gs://cloud-samples-data/gen-app-builder/search/alphabet-investor-pdfs/2022Q1_alphabet_earnings_release.pdf"
)

我们将每页获取一个文档，共 11 页：

docs = list(parser.lazy_parse(blob))
print(len(docs))

您可以逐一运行 blob 的端到端解析。如果您有许多文档，将它们批量处理可能是更好的方法，甚至可能需要将解析与处理解析结果分离。

operations = parser.docai_parse([blob])
print([op.operation.name for op in operations])

['projects/543079149601/locations/us/operations/16447136779727347991']

您可以检查操作是否完成：

parser.is_running(operations)

True

当操作完成时，您可以解析结果：

parser.is_running(operations)

False

results = parser.get_results(operations)
print(results[0])

DocAIParsingResults(source_path='gs://vertex-pgt/examples/goog-exhibit-99-1-q1-2023-19.pdf', parsed_path='gs://vertex-pgt/test/run1/16447136779727347991/0')

现在我们终于可以从解析结果生成文档：

docs = list(parser.parse_from_results(results))

print(len(docs))