1. परिचय
इस कोडलैब में, आपको Python की मदद से खास दस्तावेज़ों की कैटगरी तय करने और उन्हें पार्स करने के लिए, Document AI के खास प्रोसेसर का इस्तेमाल करने का तरीका पता चलेगा. डेटा की कैटगरी तय करने और उसे अलग-अलग करने के लिए, हम उदाहरण के तौर पर एक PDF फ़ाइल का इस्तेमाल करेंगे. इसमें इनवॉइस, रसीद, और बिजली, पानी जैसी सुविधाओं के स्टेटमेंट शामिल होंगे. इसके बाद, पार्स करने और इकाई निकालने के लिए, हम उदाहरण के तौर पर इनवॉइस का इस्तेमाल करेंगे.
यह प्रोसेस और उदाहरण के तौर पर दिया गया कोड, ऐसे किसी भी खास दस्तावेज़ के साथ काम करेगा जो दस्तावेज़ एआई के साथ काम करता है.
ज़रूरी शर्तें
यह कोडलैब, अन्य दस्तावेज़ एआई कोडलैब में मौजूद कॉन्टेंट के आधार पर बनता है.
हमारा सुझाव है कि आगे बढ़ने से पहले, यहां दिए गए कोडलैब (कोड बनाना सीखना) पूरा करें:
- दस्तावेज़ एआई और Python की मदद से ऑप्टिकल कैरेक्टर रिकग्निशन (ओसीआर) की सुविधा
- दस्तावेज़ एआई (Python) की मदद से फ़ॉर्म पार्स करना
आपको इनके बारे में जानकारी मिलेगी
- खास दस्तावेज़ों के लिए स्प्लिट पॉइंट की पहचान करने और उन्हें अलग-अलग कैटगरी में बांटने का तरीका.
- खास प्रोसेसर का इस्तेमाल करके, स्कीमा में बनाई गई इकाइयां एक्सट्रैक्ट करने का तरीका.
आपको इन चीज़ों की ज़रूरत होगी
2. सेट अप किया जा रहा है
कोडलैब के इस टूल में यह माना जाता है कि आपने कोडलैब के बारे में शुरुआती जानकारी में दिए गए, दस्तावेज़ के एआई को सेटअप करने के सभी चरणों को पूरा कर लिया है.
आगे बढ़ने से पहले, कृपया नीचे दिए गए चरणों को पूरा करें:
आपको Pandas भी इंस्टॉल करना होगा, जो Python के लिए डेटा विश्लेषण लाइब्रेरी की लोकप्रिय लाइब्रेरी है.
pip3 install --upgrade pandas
3. खास प्रोसेसर बनाएं
आपको पहले इस ट्यूटोरियल के लिए इस्तेमाल किए जाने वाले प्रोसेसर के इंस्टेंस बनाने होंगे.
- कंसोल में, दस्तावेज़ एआई प्लैटफ़ॉर्म की खास जानकारी पर जाएं
- प्रोसेसर बनाएं पर क्लिक करें. नीचे स्क्रोल करके खास प्रोसेस के लिए पर जाएं और प्रोक्योरमेंट दस्तावेज़ स्प्लिटर चुनें.
- इसे "कोडलैब-प्रोक्योरमेंट-स्प्लिटर" नाम दें (या कुछ और, जिसे आपको याद रखना चाहिए) और सूची से अपना सबसे नज़दीकी इलाका चुनें.
- अपना प्रोसेसर बनाने के लिए, बनाएं पर क्लिक करें
- प्रोसेसर आईडी को कॉपी करें. आपको बाद में अपने कोड में इसका इस्तेमाल करना होगा.
- इनवॉइस पार्सर के साथ दूसरे से छठे चरण तक की प्रक्रिया दोहराएं. इसे "codelab-invoice-parser" के नाम से भी जाना जा सकता है
Console में प्रोसेसर की जांच करना
दस्तावेज़ अपलोड करके, कंसोल में इनवॉइस पार्सर की जांच की जा सकती है.
'दस्तावेज़ अपलोड करें' पर क्लिक करें और पार्स करने के लिए कोई इनवॉइस चुनें. अगर आपके पास इस्तेमाल के लिए कोई इनवॉइस उपलब्ध नहीं है, तो इस सैंपल इनवॉइस को डाउनलोड करके इस्तेमाल किया जा सकता है.
आपका आउटपुट कुछ ऐसा दिखना चाहिए:
4. सैंपल दस्तावेज़ डाउनलोड करें
इस लैब के लिए, हमारे पास सैंपल के तौर पर कुछ दस्तावेज़ हैं.
यहां दिए गए लिंक की मदद से, PDF डाउनलोड की जा सकती हैं. इसके बाद, उन्हें Cloud Shell इंस्टेंस में अपलोड करें.
इसके अलावा, उन्हें gsutil का इस्तेमाल करके, हमारे सार्वजनिक Cloud Storage बकेट से डाउनलोड किया जा सकता है.
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. वर्गीकरण करें और दस्तावेज़ों को बांटो
इस चरण में, एक से ज़्यादा पेजों वाले दस्तावेज़ के लॉजिकल स्प्लिट पॉइंट की कैटगरी तय करने और उनका पता लगाने के लिए, ऑनलाइन प्रोसेसिंग एपीआई का इस्तेमाल किया जा सकता है.
अगर आपको एक से ज़्यादा फ़ाइलें भेजनी हैं या फ़ाइल का साइज़, ऑनलाइन प्रोसेस किए जाने वाले ज़्यादा से ज़्यादा पेजों से ज़्यादा है, तब भी बैच प्रोसेसिंग एपीआई का इस्तेमाल किया जा सकता है. इसका तरीका जानने के लिए, Document AI ओसीआर कोडलैब में जाएं.
एपीआई अनुरोध करने का कोड, प्रोसेसर आईडी के अलावा किसी सामान्य प्रोसेसर के लिए एक जैसा होता है.
प्रोक्योरमेंट स्प्लिटर/क्लासिफ़ायर
classification.py नाम की एक फ़ाइल बनाएं और नीचे दिए गए कोड का इस्तेमाल करें.
PROCUREMENT_SPLITTER_ID की जगह उस आईडी का इस्तेमाल करें जिसे आपने प्रोक्योरमेंट स्प्लिटर प्रोसेसर के लिए पहले बनाया था. YOUR_PROJECT_ID और YOUR_PROJECT_LOCATION को अपने Cloud प्रोजेक्ट आईडी और प्रोसेसर की जगह की जानकारी से बदलें.
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)
आपका आउटपुट कुछ ऐसा दिखना चाहिए:
$ 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]
ध्यान दें कि प्रोक्योरमेंट स्प्लिटर/क्लासिफ़ायर ने पेज 0-1 और 3-4 पर दस्तावेज़ के टाइप की सही पहचान की है.
पेज 2 में एक सामान्य मेडिकल इनटेक फ़ॉर्म दिया गया है, इसलिए क्लासिफ़ायर ने सही तरीके से इसकी पहचान other के तौर पर की है.
6. इकाइयों को निकालें
अब फ़ाइलों से स्कीमा वाली इकाइयां एक्सट्रैक्ट की जा सकती हैं. इनमें कॉन्फ़िडेंस स्कोर, प्रॉपर्टी, और नॉर्मलाइज़ की गई वैल्यू शामिल हैं.
एपीआई अनुरोध करने का कोड, पिछले चरण के कोड जैसा ही है. इसे ऑनलाइन या एक साथ कई अनुरोधों के लिए इस्तेमाल किया जा सकता है.
हम इकाइयों से यह जानकारी ऐक्सेस करेंगे:
- इकाई प्रकार
- (उदाहरण के लिए
invoice_date,receiver_name,total_amount)
- (उदाहरण के लिए
- अपरिष्कृत मूल्य
- डेटा की वे वैल्यू जो ओरिजनल दस्तावेज़ की फ़ाइल में दी गई हैं.
- सामान्यित मान
- अगर लागू हो, तो सामान्य और स्टैंडर्ड फ़ॉर्मैट में डेटा वैल्यू.
- इसमें Enterprise नॉलेज ग्राफ़ से बेहतर जानकारी भी शामिल की जा सकती है
- कॉन्फ़िडेंस वैल्यू
- "क्यों नहीं" मॉडल का मतलब है कि वैल्यू सटीक हैं.
इकाई के कुछ टाइप, जैसे कि line_item में प्रॉपर्टी भी शामिल की जा सकती हैं. ये प्रॉपर्टी line_item/unit_price और line_item/description जैसी नेस्ट की गई इकाइयां होती हैं.
यह उदाहरण नेस्ट किए गए स्ट्रक्चर को फ़्लैट करता है, ताकि आसानी से देखा जा सके.
इनवॉइस पार्सर
extraction.py नाम की एक फ़ाइल बनाएं और नीचे दिए गए कोड का इस्तेमाल करें.
INVOICE_PARSER_ID की जगह उस इनवॉइस पार्सर प्रोसेसर का आईडी डालें जो आपने पहले बनाया था और google_invoice.pdf फ़ाइल का इस्तेमाल करें
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)
आपका आउटपुट कुछ ऐसा दिखना चाहिए:
$ 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. वैकल्पिक: अन्य विशेष प्रोसेसर आज़माएं
आपने दस्तावेज़ों की कैटगरी तय करने और इनवॉइस पार्स करने के लिए, प्रोक्योरमेंट के लिए दस्तावेज़ एआई का इस्तेमाल कर लिया है. दस्तावेज़ एआई, यहां दिए गए अन्य खास समाधानों के साथ भी काम करता है:
यही तरीका अपनाएं और किसी खास प्रोसेसर को हैंडल करने के लिए उसी कोड का इस्तेमाल करें.
अगर आप अन्य विशेष समाधान आज़माना चाहते हैं, तो आप अन्य प्रोसेसर प्रकारों और विशेष नमूना दस्तावेज़ों के साथ लैब को फिर से चला सकते हैं.
नमूने के तौर पर दिए गए दस्तावेज़
यहां कुछ दस्तावेज़ों के सैंपल दिए गए हैं. इनकी मदद से, अन्य खास प्रोसेसर को आज़माया जा सकता है.
समाधान | प्रोसेसर का टाइप | दस्तावेज़ |
पहचान | ||
वाहन के लिए कर्ज़ लेने में मदद करने वाली सेवा | ||
वाहन के लिए कर्ज़ लेने में मदद करने वाली सेवा | ||
समझौते |
दस्तावेज़ में, आपको दस्तावेज़ के अन्य सैंपल और प्रोसेसर आउटपुट मिल सकते हैं.
8. बधाई हो
बधाई हो, आपने खास दस्तावेज़ों से डेटा निकालने और उसकी कैटगरी तय करने के लिए, दस्तावेज़ एआई (AI) का इस्तेमाल कर लिया है. हम आपको अन्य खास तरह के दस्तावेज़ के साथ प्रयोग करने के लिए प्रोत्साहित करते हैं.
मिटाना
इस ट्यूटोरियल में इस्तेमाल किए गए संसाधनों के लिए, आपके Google Cloud खाते पर लगने वाले शुल्क से बचने के लिए:
- Cloud Console में, संसाधन मैनेज करें पेज पर जाएं.
- प्रोजेक्ट की सूची में, अपना प्रोजेक्ट चुनें. इसके बाद, 'मिटाएं' पर क्लिक करें.
- डायलॉग बॉक्स में, प्रोजेक्ट आईडी टाइप करें. इसके बाद, प्रोजेक्ट मिटाने के लिए 'शट डाउन करें' पर क्लिक करें.
ज़्यादा जानें
इन फ़ॉलो-अप कोडलैब की मदद से, दस्तावेज़ एआई (AI) के बारे में ज़्यादा जानें.
- Python की मदद से, दस्तावेज़ के एआई प्रोसेसर को मैनेज करना
- दस्तावेज़ एआई: ह्यूमन इन द लूप
- दस्तावेज़ एआई वर्कबेंच: अपट्रेनिंग
- दस्तावेज़ एआई वर्कबेंच: कस्टम प्रोसेसर
संसाधन
- दस्तावेज़ों का भविष्य - YouTube प्लेलिस्ट
- दस्तावेज़ एआई से जुड़ा दस्तावेज़
- दस्तावेज़ एआई Python क्लाइंट लाइब्रेरी
- दस्तावेज़ के एआई सैंपल
लाइसेंस
इस काम को क्रिएटिव कॉमंस एट्रिब्यूशन 2.0 जेनरिक लाइसेंस के तहत लाइसेंस मिला है.