Azure AI 文档智能
Azure AI 文档智能（以前称为
Azure Form Recognizer）是一种基于机器学习的服务，可以从数字或扫描的 PDF、图像、Office 和 HTML 文件中提取文本（包括手写）、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
JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX和HTML。
当前使用文档智能的加载程序的实现可以逐页合并内容并将其转换为 LangChain 文档。默认输出格式为 Markdown，可以轻松地与MarkdownHeaderTextSplitter链接以进行语义文档分块。您还可以使用mode="single"或mode="page"来返回单个页面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一个 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。您将传递<endpoint>和<key>作为参数传递给加载程序。
%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。
使用已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()
默认输出包含一个具有 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"来按页面加载文档。
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()
输出将是每个页面作为列表中的单独文档存储
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。有关更多信息，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()
输出包含使用高分辨率附加功能识别的 LangChain 文档
documents