Lehrplan Lektion 219 von 250 · Projekt: Document Intelligence Service
Projekt: Document Intelligence Service

Felder aus unordentlichem Text extrahieren

Willkommen bei deinem wichtigsten Portfolio-Projekt. Über vier Lektionen wirst du einen Document Intelligence Service bauen: die Art von Pipeline, die ein Fintech oder Ops Team nutzt, um einen Haufen unordentlicher Rechnungen in saubere, validierte und abgeglichene Zeilen in einer Datenbank zu verwandeln. Am Ende kannst du einem Personalverantwortlichen sagen, dass du eine schema-validierte Extraktionspipeline mit Abgleich und Evals gebaut hast und es tatsächlich so meinst.

Schritt eins ist der schmutzige Teil, den niemand mag, aber jeder braucht: das Herausziehen strukturierter Felder aus unstructured Text. Ein Anbieter schickt eine Rechnung als Textblock per E-Mail. Dein Job ist parse_invoice(text) -> ein Dictionary mit vendor, date, total (einem float) und line_items (einer Liste von {"desc", "amount"} Dictionaries).

Der Haken und der Grund, warum das echte Arbeit ist: Die Dokumente sind nicht einheitlich. Eines sagt Total:, das nächste sagt Amount Due, ein drittes füllt alles mit extra Leerzeichen auf. Labels variieren, die Großschreibung variiert, die Leerzeichen variieren. Ein Parser, der nur ein exaktes Layout handhabt, ist bei echter Post nutzlos.

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

Die Regeln, die dein Parser befolgen muss:

  • Der vendor kommt aus einer Zeile, die mit vendor beschriftet ist (Groß-/Kleinschreibung wird ignoriert). Nimm alles nach dem Doppelpunkt und entferne die Leerzeichen.
  • Das date kommt aus einer Zeile mit der Bezeichnung date. Behalte den rohen String (eine spätere Lektion validiert ihn).
  • Der total kommt von einer Zeile, deren Label total OR amount due ist (beide in der Praxis gesehen). Parse die Zahl zu einem float und toleriere ein führendes $ und Tausenderkommas wie 1,250.00.
  • Jeder line item befindet sich auf einer Zeile, die mit line oder item beschriftet ist: der Text vor der abschließenden Nummer ist der desc (stripped), und die abschließende Nummer ist der amount (ein float).

A sauberer Weg hinein: Trenne nach neuen Zeilen und teile jede Zeile einmal am ersten : auf, um label, rest zu erhalten. Setze das Label in Kleinbuchstaben, entferne Leerzeichen und verzweige. Für das restliche Geld auf einer Position greift ein kleines regex wie re.search(r"(-?[\d,]+\.?\d*)\s*$", rest) die letzte Zahl. Fehlende Felder haben sinnvolle Standardwerte: keine Lieferantenzeile -> "", kein Gesamtbetrag -> 0.0, keine Artikel -> [].

Produktionsteams werfen immer öfter ein LLM in diesen Schritt, aber der Output des LLM muss immer noch in genau diese Form haben oder der Rest der Pipeline bricht ab -> deshalb baust du zuerst den deterministischen Parser und vertraust ihm. Drücke Run um eine Beispielrechnung zu parsen und sieh das strukturierte Dictionary kommen.

Du bist dran

Schreibe parse_invoice(text), das einen unordentlichen Rechnungsstring in ein Dictionary mit vendor (str), date (raw str), total (float) und line_items (eine Liste von {"desc", "amount"} Dictionaries) umwandelt. Sei tolerant: Labels sind case-insensitive, total kann stattdessen amount due lesen, Positionen sind mit line oder item beschriftet, und Zahlen können ein $ oder Tausendertrennungs-Kommas enthalten. Fehlender Verkäufer -> "", fehlende Summe -> 0.0, keine Positionen -> []. Ein Zeilenbetrag kann auch ein $ und Tausendertrennungs-Kommas enthalten; keines davon gehört in desc (Line: Cloud Hosting $1,706.92 gibt Beschreibung Cloud Hosting und Betrag 1706.92 an).

Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion

Diese Übung öffnet bald

Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.