Kurrikulum Leson 219 van 250 · Projek: Document Intelligence Service
Projek: Document Intelligence Service

Haal Velde uit Rommelige Teks uit

Welkom by jou vlagskip-portefeuljeprojek. Oor vier lesse gaan jy 'n Document Intelligence Service bou: die soort pylyn wat 'n fintech of ops-span gebruik om 'n stapel deurmekaar fakture in skoon, gesitiseerde en vergelykte rye in 'n databasis te verander. Teen die einde kan jy vir 'n werwingsbestuurder sê jy het " 'n skema-gesitiseerde ekstraksiepylyn met vergelyking en evals gebou" en jy bedoel dit werklik.

Stap een is die vuil deel wat niemand hou nie maar wat almal nodig het: om gestruktureerde velde uit unstructured teks te trek. 'n Verskaffer stuur 'n faktuur as 'n blok teks. Jou werk is parse_invoice(text) -> 'n dict met vendor, date, total ( 'n float), en line_items ( 'n lys van {"desc", "amount"} dicts).

Die vangstok, en die rede waarom dit regte werk is: die dokumente is nie uniform nie. Een sê Total:, die volgende sê Amount Due, 'n derde vul alles met ekstra spasies. Labels verskil, hoofletters verskil, witspasies verskil. 'n parser wat net een presiese uitleg hanteer is nutloos op regte pos.

Vendor: Acme Corp
Date: 2026-01-15
Line: Widgets x10    120.00
Line: Shipping        8.50
Total: 128.50

Die reëls wat jou parser moet volg:

  • Die vendor kom van 'n lyn gemerk vendor (geen onderskeid tussen hoofletters en kleinletters nie). Neem alles na die kolon en verwyder die spasies.
  • Die date kom van 'n lyn gemerk date. Hou die raw string ( 'n latere les valideer dit).
  • Die total kom van 'n reël waarvan die label total OR amount due is (beide gesien in die wild). Parse die getal na 'n float, en laat 'n voorgaande $ en duisend-kommas soos 1,250.00.
  • toe.
  • Elke line item sit op 'n lyn gemerk line of item: die teks voor die laaste nommer is die desc (stripped), en die laaste nommer is die amount (a float).

A skoon manier in: splits op nuwe reëls, en vir elke lyn splits een keer op die eerste : om label, rest te kry. Maak die label kleinletter, strip dit, en vertak. Vir die oorblywende geld op 'n lynitem, gryp 'n klein regex soos re.search(r"(-?[\d,]+\.?\d*)\s*$", rest) die laaste nommer. Ontbrekende velde standaardiseer redelik: geen verskafferlyn -> "", geen totaal -> 0.0, geen items -> [].

Produkstie-spanne gooi toenemend 'n LLM by hierdie stap, maar die LLM se uitset moet steeds in presies hierdie vorm land of die res van die pipeline breek -> dit is waarom jy die deterministiese parser eerste bou en daarop vertrou. Druk Run om 'n voorbeeld-faktuur te parseer en sien hoe die gestruktureerde dict uitkom.

Jou beurt

Skryf parse_invoice(text) wat 'n deurmekaar faktuurstring in 'n dict verander met vendor (str), date (raw str), total (float), en line_items ( 'n lys van {"desc", "amount"} dicts). Wees tolerant: etikette is nie gevalgevoelig nie, total kan eerder amount due lees, lynitems is gemerk as line of item, en nommers kan 'n $ of duisendkommas hê. Ontbrekende verskaffer -> "", ontbrekende totaal -> 0.0, geen items -> []. 'n Lynbedrag kan ook 'n $ en duisendkommas hê; geen van hulle behoort in desc nie (Line: Cloud Hosting $1,706.92 gee beskoms Cloud Hosting en bedrag 1706.92).

Sien jy 'n probleem in hierdie les? Rapporteer dit · Vra oor hierdie les

Hierdie oefening open binnekort

Voltooi die lesie voor dit en hierdie een sal ontvanklik wees. Die hele kursus is gratis, geen rekening nodig nie, en jy kan hierdie les nou lees.