跳到主要内容
Open In ColabOpen on GitHub

Azure AI 文档智能

Azure AI 文档智能（原称 Azure Form Recognizer）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（包括手写体）、表格、文档结构（例如标题、章节标题等）以及键值对。

文档智能支持 PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX 和 HTML。

当前使用 Document Intelligence 的加载器实现能够按页面合并内容并将其转换为 LangChain 文档。默认输出格式为 Markdown，可以轻松与 MarkdownHeaderTextSplitter 链式使用以进行语义文档分块。您也可以使用 mode="single" 或 mode="page" 以返回单页中的纯文本或按页面分割的文档。

先决条件​

在以下三个预览区域之一中创建 Azure AI 文档智能资源：美国东部、美国西部2、西欧——如果您没有，请遵循此文档进行创建。您将把 <endpoint> 和 <key> 作为参数传递给加载器。

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

示例 1​

第一个示例使用将发送到 Azure AI 文档智能的本地文件。

初始化文档分析客户端后，我们可以继续创建 DocumentIntelligenceLoader 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" 以按页面加载文档。

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()

输出将是列表中每个页面存储为一个单独的文档

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"] 以启用附加功能。更多信息，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()

输出包含通过高分辨率附加功能识别的 LangChain 文档

documents