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。
此当前使用Document Intelligence 的加载程序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 连接以进行语义文档分块。您还可以使用mode="single" 或mode="page" 以在单个页面或按页面分割的文档中返回纯文本。
先决条件
在以下三个预览区域之一中使用 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> 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" 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()
输出将是每个页面作为列表中单独的文档存储
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