Google Cloud Document AI

Document AI 是一个来自 Google Cloud 的文档理解平台，可将文档中的非结构化数据转换为结构化数据，从而更易于理解、分析和使用。

了解更多：

该模块包含一个基于 Google Cloud DocAI 的 PDF 解析器。

您需要安装两个库才能使用此解析器：

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

首先，您需要设置一个 Google Cloud Storage (GCS) 存储桶并创建自己的光学字符识别 (OCR) 处理器，具体步骤如下：https://cloud.google.com/document-ai/docs/create-processor

GCS_OUTPUT_PATH 应为 GCS 上某个文件夹的路径（以 gs:// 开头），而 PROCESSOR_NAME 应类似于 projects/PROJECT_NUMBER/locations/LOCATION/processors/PROCESSOR_ID 或 projects/PROJECT_NUMBER/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION_ID。您可以通过编程方式获取它，或者从 Google Cloud Console 的“处理器详情”标签页中的“预测端点”部分复制。

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

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

API Reference:Blob | DocAIParser

现在，创建一个 DocAIParser。

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

对于这个示例，您可以使用上传到公共 GCS 存储桶的 Alphabet 财报。

2022Q1_alphabet_earnings_release.pdf

将文档传递给 lazy_parse() 方法以

blob = Blob(
    path="gs://cloud-samples-data/gen-app-builder/search/alphabet-investor-pdfs/2022Q1_alphabet_earnings_release.pdf"
)

我们将每页获得一份文档，总共 11 份：

docs = list(parser.lazy_parse(blob))
print(len(docs))

您可以逐个运行 blob 的端到端解析。如果您有许多文档，也许将它们批量处理在一起，甚至将解析与处理解析结果分离开来，会是更好的方法。

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

['projects/543079149601/locations/us/operations/16447136779727347991']

您可以检查操作是否完成：

parser.is_running(operations)

True

然后，当他们完成时，你可以解析结果：

parser.is_running(operations)

False

results = parser.get_results(operations)
print(results[0])

DocAIParsingResults(source_path='gs://vertex-pgt/examples/goog-exhibit-99-1-q1-2023-19.pdf', parsed_path='gs://vertex-pgt/test/run1/16447136779727347991/0')

现在我们可以根据解析结果生成文档了：

docs = list(parser.parse_from_results(results))

print(len(docs))