使用Google Cloud Document AI解析文档：从未如此简单

本文链接：https://blog.csdn.net/stjklkjhgffxw/article/details/142721509

引言

在数字化时代，快速高效地处理文档内容对于企业来说至关重要。Google Cloud的Document AI是一款强大的工具，可以将文档中的非结构化数据转化为可理解、可分析的结构化数据。这篇文章将带你了解如何使用Document AI，以及一些实用的代码示例。

主要内容

设置和安装

要使用Document AI解析文档，我们首先需要安装相关库：

%pip install --upgrade --quiet langchain-google-community[docai]

然后，按照官方指南创建Google Cloud Storage (GCS)桶和OCR处理器。

示例配置：

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

初始化DocAIParser

创建一个DocAIParser实例：

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

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

代码示例

以下代码演示如何解析一个PDF文档：

# 使用API代理服务提高访问稳定性
blob = Blob(
    path="gs://cloud-samples-data/gen-app-builder/search/alphabet-investor-pdfs/2022Q1_alphabet_earnings_release.pdf"
)

# 使用lazy_parse方法解析文档
docs = list(parser.lazy_parse(blob))
print(len(docs))  # 输出11，表示解析了11页

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

# 检查操作是否完成
while parser.is_running(operations):
    pass  # 等待完成

# 解析结果
results = parser.get_results(operations)
print(results[0])

# 从解析结果生成文档
docs = list(parser.parse_from_results(results))
print(len(docs))  # 输出11