Azure AI Document Intelligence 使用指南
Azure AI Document Intelligence 使用指南
Azure AI Document Intelligence（原名 Azure Form Recognizer）是一项基于机器学习的服务，可以从数字或扫描PDF、图像、Office和HTML文件中提取文本（包括手写）、表格、文档结构（如标题、节标题等）和键值对。它支持多种格式，包括PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX和HTML。
在当前的实现中，利用 Azure AI Document Intelligence 的加载器可以按页面合并内容，并将其转换为 LangChain 文档。默认输出格式为markdown，可以轻松与MarkdownHeaderTextSplitter结合进行语义文档分割。您还可以使用 mode="single" 或 mode="page" 以页面或单个文档的方式返回纯文本。
前提条件
您需要在以下三个预览地区之一创建一个 Azure AI Document Intelligence 资源：East US，West US 2，West Europe。如果没有，请按照 此文档 创建。您将需要传递
%pip install --upgrade --quiet langchain langchain-community azure-ai-documentintelligence
示例 1: 使用本地文件进行分析
在这个示例中，我们将使用 Azure AI Document Intelligence 上传本地文件。初始化文档分析客户端后，我们可以创建一个 DocumentIntelligenceLoader 实例：
from langchain_community.document_loaders import AzureAIDocumentIntelligenceLoader
file_path = "" # 本地文件路径
endpoint = "" # Azure AI 的终点
key = "" # API 密钥
loader = AzureAIDocumentIntelligenceLoader(
api_endpoint=endpoint, api_key=key, file_path=file_path, api_model="prebuilt-layout"
)
documents = loader.load()
# 打印加载的文档信息
print(documents)
此时，默认输出包含一个Markdown格式的LangChain文档。
示例 2: 使用公共URL路径
输入文件也可以是公共URL路径。例如使用以下URL进行加载：
url_path = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/layout.png"
loader = AzureAIDocumentIntelligenceLoader(
api_endpoint=endpoint, api_key=key, url_path=url_path, api_model="prebuilt-layout"
)
documents = loader.load()
print(documents)
此时该文件将通过URL进行分析并返回markdown格式的文档。
示例 3: 按页面加载文档
您可以指定 mode="page" 按页面加载文档：
from langchain_community.document_loaders import AzureAIDocumentIntelligenceLoader
file_path = ""
loader = AzureAIDocumentIntelligenceLoader(
api_endpoint=endpoint,
api_key=key,
file_path=file_path,
api_model="prebuilt-layout",
mode="page",
)
documents = loader.load()
# 输出每页的内容及相关元数据
for document in documents:
print(f"Page Content: {document.page_content}")
print(f"Metadata: {document.metadata}")
输出结果将以列表形式展示，每页内容作为单独的文档存储。
示例 4: 使用分析功能
您可以指定 analysis_feature=["ocrHighResolution"] 启用附加功能：
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()
# 打印高分辨率识别的文档
print(documents)
此时的输出将包含识别文档，并应用高分辨率附加功能。
相关资源
- 文档加载器概念指南
- 文档加载器使用指南
如果遇到问题欢迎在评论区交流。
—END—