1. Einführung
In diesem Codelab erfahren Sie, wie Sie mit spezialisierten Document AI-Prozessoren spezialisierte Dokumente mit Python klassifizieren und parsen. Zur Klassifizierung und Aufteilung verwenden wir eine Beispieldatei im PDF-Format, die Rechnungen, Belege und Abrechnungen von Versorgungsunternehmen enthält. Für das Parsen und die Entitätsextraktion verwenden wir dann als Beispiel eine Rechnung.
Diese Prozedur und der Beispielcode funktionieren mit jedem spezialisierten Dokument, das von Document AI unterstützt wird.
Voraussetzungen
Dieses Codelab baut auf Inhalten aus anderen Document AI-Codelabs auf.
Bevor Sie fortfahren, sollten Sie die folgenden Codelabs absolvieren:
Aufgaben in diesem Lab
- So klassifizieren und identifizieren Sie Aufteilungspunkte für spezielle Dokumente.
- So extrahieren Sie schematisierte Entitäten mithilfe spezieller Prozessoren.
Voraussetzungen
2. Einrichtung
In diesem Codelab wird davon ausgegangen, dass Sie die im Einführenden Codelab aufgeführten Schritte zur Document AI-Einrichtung abgeschlossen haben.
Führen Sie die folgenden Schritte aus, bevor Sie fortfahren:
Außerdem müssen Sie Pandas installieren, eine beliebte Datenanalysebibliothek für Python.
pip3 install --upgrade pandas
3. Spezialisierte Prozessoren erstellen
Sie müssen zuerst Instanzen der Prozessoren erstellen, die Sie für diese Anleitung verwenden.
- Rufen Sie in der Console die Document AI Platform – Übersicht auf.
- Klicken Sie auf Prozessor erstellen, scrollen Sie nach unten zu Spezialisiert und wählen Sie Procurement Doc Splitter aus.
- Nennen Sie das Dataset „codelab-procurement-splitter“. (Oder etwas anderes, das Sie sich merken) und wählen Sie die nächstgelegene Region aus der Liste aus.
- Klicken Sie auf Erstellen, um den Prozessor zu erstellen.
- Kopieren Sie die Prozessor-ID. Sie müssen sie später in Ihrem Code verwenden.
- Wiederholen Sie die Schritte 2 bis 6 mit dem Rechnungsparser (Sie können „codelab-invoice-parser“ nennen).
Prozessor in der Konsole testen
Sie können den Rechnungsparser in der Console testen, indem Sie ein Dokument hochladen.
Klicken Sie auf „Upload Document“ (Dokument hochladen) und wählen Sie eine Rechnung aus, die analysiert werden soll. Sie können diese Beispielrechnung herunterladen und verwenden, falls keine verfügbar ist.
Die Ausgabe sollte so aussehen:
4. Beispieldokumente herunterladen
Wir haben einige Beispieldokumente für dieses Lab.
Über die folgenden Links können Sie die PDF-Dateien herunterladen. Laden Sie sie dann in die Cloud Shell-Instanz hoch.
Alternativ können Sie sie mithilfe von gsutil aus unserem öffentlichen Cloud Storage-Bucket herunterladen.
gsutil cp gs://cloud-samples-data/documentai/codelabs/specialized-processors/procurement_multi_document.pdf .
gsutil cp gs://cloud-samples-data/documentai/codelabs/specialized-processors/google_invoice.pdf .
5. Klassifizieren und Dokumente aufteilen
In diesem Schritt verwenden Sie die Online-Verarbeitungs-API, um logische Aufteilungspunkte für ein mehrseitiges Dokument zu klassifizieren und zu erkennen.
Sie können auch die Batch Processing API verwenden, wenn Sie mehrere Dateien senden möchten oder wenn die Dateigröße die maximale Anzahl an Seiten für die Onlineverarbeitung überschreitet. Eine Anleitung dazu finden Sie im Document AI-OCR-Codelab.
Der Code zum Senden der API-Anfrage ist abgesehen von der Prozessor-ID für einen allgemeinen Prozessor identisch.
Beschaffungsteiler/-klassifikator
Erstellen Sie eine Datei mit dem Namen classification.py und verwenden Sie den Code unten.
Ersetzen Sie PROCUREMENT_SPLITTER_ID durch die ID des Procurement-Splitter-Prozessors, den Sie zuvor erstellt haben. Ersetzen Sie YOUR_PROJECT_ID und YOUR_PROJECT_LOCATION durch Ihre Cloud-Projekt-ID bzw. den Prozessorstandort.
classification.py
import pandas as pd
from google.cloud import documentai_v1 as documentai
def online_process(
project_id: str,
location: str,
processor_id: str,
file_path: str,
mime_type: str,
) -> documentai.Document:
"""
Processes a document using the Document AI Online Processing API.
"""
opts = {"api_endpoint": f"{location}-documentai.googleapis.com"}
# Instantiates a client
documentai_client = documentai.DocumentProcessorServiceClient(client_options=opts)
# The full resource name of the processor, e.g.:
# projects/project-id/locations/location/processor/processor-id
# You must create new processors in the Cloud Console first
resource_name = documentai_client.processor_path(project_id, location, processor_id)
# Read the file into memory
with open(file_path, "rb") as file:
file_content = file.read()
# Load Binary Data into Document AI RawDocument Object
raw_document = documentai.RawDocument(content=file_content, mime_type=mime_type)
# Configure the process request
request = documentai.ProcessRequest(name=resource_name, raw_document=raw_document)
# Use the Document AI client to process the sample form
result = documentai_client.process_document(request=request)
return result.document
PROJECT_ID = "YOUR_PROJECT_ID"
LOCATION = "YOUR_PROJECT_LOCATION" # Format is 'us' or 'eu'
PROCESSOR_ID = "PROCUREMENT_SPLITTER_ID" # Create processor in Cloud Console
# The local file in your current working directory
FILE_PATH = "procurement_multi_document.pdf"
# Refer to https://cloud.google.com/document-ai/docs/processors-list
# for supported file types
MIME_TYPE = "application/pdf"
document = online_process(
project_id=PROJECT_ID,
location=LOCATION,
processor_id=PROCESSOR_ID,
file_path=FILE_PATH,
mime_type=MIME_TYPE,
)
print("Document processing complete.")
types = []
confidence = []
pages = []
# Each Document.entity is a classification
for entity in document.entities:
classification = entity.type_
types.append(classification)
confidence.append(f"{entity.confidence:.0%}")
# entity.page_ref contains the pages that match the classification
pages_list = []
for page_ref in entity.page_anchor.page_refs:
pages_list.append(page_ref.page)
pages.append(pages_list)
# Create a Pandas Dataframe to print the values in tabular format.
df = pd.DataFrame({"Classification": types, "Confidence": confidence, "Pages": pages})
print(df)
Die Ausgabe sollte in etwa so aussehen:
$ python3 classification.py
Document processing complete.
Classification Confidence Pages
0 invoice_statement 100% [0]
1 receipt_statement 98% [1]
2 other 81% [2]
3 utility_statement 100% [3]
4 restaurant_statement 100% [4]
Beachten Sie, dass der Beschaffungsteiler/-klassifikator die Dokumenttypen auf den Seiten 0–1 und 3–4 korrekt identifiziert hat.
Seite 2 enthält ein generisches medizinisches Aufnahmeformular und wurde daher vom Klassifikator korrekt als other gekennzeichnet.
6. Entitäten extrahieren
Jetzt können Sie die schematisierten Entitäten aus den Dateien extrahieren, einschließlich Konfidenzwerte, Attribute und normalisierter Werte.
Der Code zum Senden der API-Anfrage ist mit dem vorherigen Schritt identisch und kann für Online- oder Batchanfragen ausgeführt werden.
Wir greifen von den Rechtssubjekten auf die folgenden Informationen zu:
- Entitätstyp
- (z.B.
invoice_date,receiver_name,total_amount)
- (z.B.
- Rohwerte
- Datenwerte aus der Originaldokumentdatei.
- Normalisierte Werte
- Datenwerte in einem normalisierten und Standardformat, falls zutreffend.
- Kann auch eine Anreicherung aus dem Enterprise Knowledge Graph enthalten
- Konfidenzwerte
- Wie „sicher“ dass die Werte genau sind.
Einige Entitätstypen wie line_item können auch Attribute enthalten, bei denen es sich um verschachtelte Entitäten wie line_item/unit_price und line_item/description handelt.
In diesem Beispiel wird die verschachtelte Struktur zur besseren Ansicht vereinfacht.
Rechnungsparser
Erstellen Sie eine Datei mit dem Namen extraction.py und verwenden Sie den Code unten.
Ersetzen Sie INVOICE_PARSER_ID durch die ID des Rechnungsparser-Prozessors, den Sie zuvor erstellt haben, und verwenden Sie die Datei google_invoice.pdf
extraction.py
import pandas as pd
from google.cloud import documentai_v1 as documentai
def online_process(
project_id: str,
location: str,
processor_id: str,
file_path: str,
mime_type: str,
) -> documentai.Document:
"""
Processes a document using the Document AI Online Processing API.
"""
opts = {"api_endpoint": f"{location}-documentai.googleapis.com"}
# Instantiates a client
documentai_client = documentai.DocumentProcessorServiceClient(client_options=opts)
# The full resource name of the processor, e.g.:
# projects/project-id/locations/location/processor/processor-id
# You must create new processors in the Cloud Console first
resource_name = documentai_client.processor_path(project_id, location, processor_id)
# Read the file into memory
with open(file_path, "rb") as file:
file_content = file.read()
# Load Binary Data into Document AI RawDocument Object
raw_document = documentai.RawDocument(content=file_content, mime_type=mime_type)
# Configure the process request
request = documentai.ProcessRequest(name=resource_name, raw_document=raw_document)
# Use the Document AI client to process the sample form
result = documentai_client.process_document(request=request)
return result.document
PROJECT_ID = "YOUR_PROJECT_ID"
LOCATION = "YOUR_PROJECT_LOCATION" # Format is 'us' or 'eu'
PROCESSOR_ID = "INVOICE_PARSER_ID" # Create processor in Cloud Console
# The local file in your current working directory
FILE_PATH = "google_invoice.pdf"
# Refer to https://cloud.google.com/document-ai/docs/processors-list
# for supported file types
MIME_TYPE = "application/pdf"
document = online_process(
project_id=PROJECT_ID,
location=LOCATION,
processor_id=PROCESSOR_ID,
file_path=FILE_PATH,
mime_type=MIME_TYPE,
)
types = []
raw_values = []
normalized_values = []
confidence = []
# Grab each key/value pair and their corresponding confidence scores.
for entity in document.entities:
types.append(entity.type_)
raw_values.append(entity.mention_text)
normalized_values.append(entity.normalized_value.text)
confidence.append(f"{entity.confidence:.0%}")
# Get Properties (Sub-Entities) with confidence scores
for prop in entity.properties:
types.append(prop.type_)
raw_values.append(prop.mention_text)
normalized_values.append(prop.normalized_value.text)
confidence.append(f"{prop.confidence:.0%}")
# Create a Pandas Dataframe to print the values in tabular format.
df = pd.DataFrame(
{
"Type": types,
"Raw Value": raw_values,
"Normalized Value": normalized_values,
"Confidence": confidence,
}
)
print(df)
Die Ausgabe sollte in etwa so aussehen:
$ python3 extraction.py
Type Raw Value Normalized Value Confidence
0 vat $1,767.97 100%
1 vat/tax_amount $1,767.97 1767.97 USD 0%
2 invoice_date Sep 24, 2019 2019-09-24 99%
3 due_date Sep 30, 2019 2019-09-30 99%
4 total_amount 19,647.68 19647.68 97%
5 total_tax_amount $1,767.97 1767.97 USD 92%
6 net_amount 22,379.39 22379.39 91%
7 receiver_name Jane Smith, 83%
8 invoice_id 23413561D 67%
9 receiver_address 1600 Amphitheatre Pkway\nMountain View, CA 94043 66%
10 freight_amount $199.99 199.99 USD 56%
11 currency $ USD 53%
12 supplier_name John Smith 19%
13 purchase_order 23413561D 1%
14 receiver_tax_id 23413561D 0%
15 supplier_iban 23413561D 0%
16 line_item 9.99 12 12 ft HDMI cable 119.88 100%
17 line_item/unit_price 9.99 9.99 90%
18 line_item/quantity 12 12 77%
19 line_item/description 12 ft HDMI cable 39%
20 line_item/amount 119.88 119.88 92%
21 line_item 12 399.99 27" Computer Monitor 4,799.88 100%
22 line_item/quantity 12 12 80%
23 line_item/unit_price 399.99 399.99 91%
24 line_item/description 27" Computer Monitor 15%
25 line_item/amount 4,799.88 4799.88 94%
26 line_item Ergonomic Keyboard 12 59.99 719.88 100%
27 line_item/description Ergonomic Keyboard 32%
28 line_item/quantity 12 12 76%
29 line_item/unit_price 59.99 59.99 92%
30 line_item/amount 719.88 719.88 94%
31 line_item Optical mouse 12 19.99 239.88 100%
32 line_item/description Optical mouse 26%
33 line_item/quantity 12 12 78%
34 line_item/unit_price 19.99 19.99 91%
35 line_item/amount 239.88 239.88 94%
36 line_item Laptop 12 1,299.99 15,599.88 100%
37 line_item/description Laptop 83%
38 line_item/quantity 12 12 76%
39 line_item/unit_price 1,299.99 1299.99 90%
40 line_item/amount 15,599.88 15599.88 94%
41 line_item Misc processing fees 899.99 899.99 1 100%
42 line_item/description Misc processing fees 22%
43 line_item/unit_price 899.99 899.99 91%
44 line_item/amount 899.99 899.99 94%
45 line_item/quantity 1 1 63%
7. Optional: Andere spezialisierte Prozessoren ausprobieren
Sie haben mit Document AI für das Beschaffungswesen erfolgreich Dokumente klassifiziert und eine Rechnung analysiert. Document AI unterstützt auch die anderen spezialisierten Lösungen, die hier aufgeführt sind:
Sie können auf dieselbe Weise vorgehen und denselben Code für die Verarbeitung eines spezialisierten Prozessors verwenden.
Wenn Sie die anderen spezialisierten Lösungen ausprobieren möchten, können Sie das Lab mit anderen Prozessortypen und speziellen Beispieldokumenten noch einmal ausführen.
Beispieldokumente
Hier sind einige Beispieldokumente, mit denen Sie die anderen spezialisierten Prozessoren ausprobieren können.
Lösung | Prozessortyp | Document |
Identität | ||
Kreditvergabe | ||
Kreditvergabe | ||
Verträge |
Weitere Beispieldokumente und die Prozessorausgabe finden Sie in der Dokumentation.
8. Glückwunsch
Herzlichen Glückwunsch! Sie haben mithilfe von Document AI erfolgreich Daten aus speziellen Dokumenten klassifiziert und extrahiert. Wir empfehlen Ihnen, mit anderen speziellen Dokumenttypen zu experimentieren.
Clean-up
So vermeiden Sie, dass Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen in Rechnung gestellt werden:
- Rufen Sie in der Cloud Console die Seite Ressourcen verwalten auf.
- Wählen Sie Ihr Projekt in der Projektliste aus und klicken Sie auf „Löschen“.
- Geben Sie im Dialogfeld die Projekt-ID ein und klicken Sie dann auf „Beenden“, um das Projekt zu löschen.
Weitere Informationen
In diesen Codelabs erfahren Sie mehr über Document AI.
- Document AI-Prozessoren mit Python verwalten
- Document AI: Human in the Loop
- Document AI Workbench: Aufbautraining
- Document AI Workbench: Benutzerdefinierte Prozessoren
Ressourcen
- The Future of Documents – YouTube-Playlist
- Dokumentation zu Document AI
- Document AI-Clientbibliothek für Python
- Document AI-Beispiele
Lizenz
Dieser Text ist mit einer Creative Commons Attribution 2.0 Generic License lizenziert.