Skip to main content
Open In Colab在 GitHub 上打开

Azure AI 文档智能

Azure AI Document Intelligence（以前称为Azure Form Recognizer） 是机器学习 基于从中提取文本（包括手写）、表格、文档结构（例如标题、章节标题等）和键值对的服务 数字或扫描的 PDF、图像、Office 和 HTML 文件。

Document Intelligence 支持PDF,JPEG/JPG,PNG,BMP,TIFF,HEIF,DOCX,XLSX,PPTX和HTML.

当前使用Document Intelligence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，可以很容易地与MarkdownHeaderTextSplitter用于语义文档分块。您还可以使用mode="single"或mode="page"返回单页或按页拆分的文档中的纯文本。

先决条件

以下 3 个预览区域之一的 Azure AI Document Intelligence 资源：美国东部、美国西部 2、西欧 - 如果没有，请按照此文档创建一个。您将通过<endpoint>和<key>作为 loader 的参数。

%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 Document Intelligence 的本地文件。

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"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()

输出将是作为单独文档存储在列表中的每个页面：

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"]以启用附加组件功能。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()

输出包含通过高分辨率附加组件功能识别的 LangChain 文档：

documents