探索Azure AI Document Intelligence: 提取文档信息的智能助手

Azure AI Document Intelligence: 提取文档信息的智能助手

Azure AI Document Intelligence（前称：Azure Form Recognizer）是一种基于机器学习的服务，能够从数字或扫描的PDF、图像、Office文件和HTML文件中提取文本（包括手写）、表格、文档结构（如标题、章节标题等）和键值对。它支持多种文件格式，如PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX和HTML。

在本文中，我们将探讨如何使用Azure AI Document Intelligence将文档内容逐页整合并转换为LangChain文档。同时，我们将讨论如何处理网络访问问题，以及如何最大化利用该服务的抓取能力。

主要内容

1. 前提条件

在开始之前，您需要在Azure上创建一个AI Document Intelligence资源。此服务目前在以下三个预览区域提供：美国东部，美国西部2和西欧。请参考此文档创建资源。如果您还没有，请确保获取<endpoint> 和 <key> 以便加载器使用。

安装所需的Python包：

%pip install --upgrade --quiet langchain langchain-community azure-ai-documentintelligence

2. 使用本地文件进行文档加载

我们可以使用本地文件，通过Azure AI Document Intelligence加载文档。

from langchain_community.document_loaders import AzureAIDocumentIntelligenceLoader

file_path = "<filepath>"  # 替换为您的文件路径
endpoint = "<endpoint>"  # 使用API代理服务提高访问稳定性
key = "<key>"

loader = AzureAIDocumentIntelligenceLoader(
    api_endpoint=endpoint, api_key=key, file_path=file_path, api_model="prebuilt-layout"
)

documents = loader.load()

3. 使用公共URL路径加载文档

也可以通过公共URL输入文件，例如：

url_path = "<url>"  # 替换为您的URL路径
loader = AzureAIDocumentIntelligenceLoader(
    api_endpoint=endpoint, api_key=key, url_path=url_path, api_model="prebuilt-layout"
)

documents = loader.load()

4. 按页加载文档

为方便处理大型文档，您可以指定mode="page"以按页加载文档。

loader = AzureAIDocumentIntelligenceLoader(
    api_endpoint=endpoint,
    api_key=key,
    file_path=file_path,
    api_model="prebuilt-layout",
    mode="page",
)

documents = loader.load()

for document in documents:
    print(f"Page Content: {document.page_content}")
    print(f"Metadata: {document.metadata}")

5. 使用高分辨率OCR功能

通过指定analysis_feature=["ocrHighResolution"]，可以启用额外的功能以提高OCR解析的精度。

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()

常见问题和解决方案

1. 网络访问问题

由于某些地区的网络限制，访问Azure API可能不稳定。建议使用API代理服务以提高访问稳定性。

2. OCR识别不准确

在识别复杂文档或手写文本时，可以考虑启用ocrHighResolution功能以提高精度。

总结与进一步学习资源

通过Azure AI Document Intelligence，开发者能够高效地从多种格式的文档中提取结构化信息，实现智能文档解析。进一步学习可以参考以下资源：

• Azure文档智能加载器概念指南
• LangChain文档加载器使用指南

参考资料

• Azure AI Document Intelligence 官方文档
• LangChain 文档

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

—END—