跳至主要内容

Azure AI 文档智能

Azure AI 文档智能(以前称为Azure 表单识别器)是一种基于机器学习的服务,可从数字或扫描的 PDF、图像、Office 和 HTML 文件中提取文本(包括手写文本)、表格、文档结构(例如标题、章节标题等)和键值对。

文档智能支持 PDFJPEG/JPGPNGBMPTIFFHEIFDOCXXLSXPPTXHTML

当前使用文档智能加载器的实现可以逐页合并内容,并将其转换为 LangChain 文档。默认输出格式是 markdown,可以轻松与MarkdownHeaderTextSplitter链接,用于语义文档分块。您还可以使用mode="single"mode="page"来返回单页或按页拆分的纯文本。

先决条件

在以下 3 个预览区域之一中的 Azure AI 文档智能资源:美国东部美国西部 2西欧 - 如果您没有,请按照此文档创建一个。您将把 <endpoint><key> 作为参数传递给加载器。

%pip install --upgrade --quiet  langchain langchain-community azure-ai-documentintelligence

示例 1

第一个示例使用本地文件,该文件将发送到 Azure AI 文档智能。

使用初始化的文档分析客户端,我们可以继续创建 DocumentIntelligenceLoader 的实例

from langchain_community.document_loaders import AzureAIDocumentIntelligenceLoader

file_path = "<filepath>"
endpoint = "<endpoint>"
key = "<key>"
loader = AzureAIDocumentIntelligenceLoader(
api_endpoint=endpoint, api_key=key, file_path=file_path, api_model="prebuilt-layout"
)

documents = loader.load()

默认输出包含一个带有 markdown 格式内容的 LangChain 文档

documents

示例 2

输入文件也可以是公共 URL 路径。例如,https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/layout.png

url_path = "<url>"
loader = AzureAIDocumentIntelligenceLoader(
api_endpoint=endpoint, api_key=key, url_path=url_path, api_model="prebuilt-layout"
)

documents = loader.load()
documents

示例 3

您还可以指定 mode="page" 以按页加载文档。

from langchain_community.document_loaders import AzureAIDocumentIntelligenceLoader

file_path = "<filepath>"
endpoint = "<endpoint>"
key = "<key>"
loader = AzureAIDocumentIntelligenceLoader(
api_endpoint=endpoint,
api_key=key,
file_path=file_path,
api_model="prebuilt-layout",
mode="page",
)

documents = loader.load()

输出将是列表中存储为单独文档的每一页

for document in documents:
print(f"Page Content: {document.page_content}")
print(f"Metadata: {document.metadata}")

示例 4

您还可以指定 analysis_feature=["ocrHighResolution"] 来启用附加功能。有关详细信息,请参阅:https://aka.ms/azsdk/python/documentintelligence/analysisfeature

from langchain_community.document_loaders import AzureAIDocumentIntelligenceLoader

file_path = "<filepath>"
endpoint = "<endpoint>"
key = "<key>"
analysis_features = ["ocrHighResolution"]
loader = AzureAIDocumentIntelligenceLoader(
api_endpoint=endpoint,
api_key=key,
file_path=file_path,
api_model="prebuilt-layout",
analysis_features=analysis_features,
)

documents = loader.load()

输出包含使用高分辨率附加功能识别的 LangChain 文档

documents

此页是否对您有帮助?