Programme Leçon 219 sur 250 · Projet : Service d'intelligence de documents
Projet : Service d'intelligence de documents

Extraire des champs d'un texte désordonné

Bienvenue dans ton projet phare de portfolio. Sur quatre leçons, tu vas construire un Document Intelligence Service : le type de pipeline qu'une équipe fintech ou ops utilise pour transformer une pile de factures désordonnées en lignes propres, validées et réconciliées dans une base de données. À la fin, tu pourras dire à un responsable du recrutement que tu as "construit un pipeline d'extraction avec validation de schéma, réconciliation et evals" et tu le signifieras vraiment.

La première étape est la partie sale que personne n'aime mais dont tout le monde a besoin : extraire des champs structurés du texte unstructured. Un fournisseur envoie une facture par e-mail comme un bloc de texte. Ton travail est parse_invoice(text) -> un dictionnaire avec vendor, date, total (une float), et line_items (une liste de {"desc", "amount"} dictionnaires).

Le piège, et la raison pour laquelle c'est du vrai travail : les documents ne sont pas uniformes. L'un dit Total:, le suivant dit Amount Due, un troisième ajoute des espaces supplémentaires partout. Les étiquettes varient, la casse varie, les espaces varient. Un parser qui ne gère qu'une seule mise en page exacte est inutile sur du vrai courrier.

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

Les règles que ton parser doit suivre :

  • Le vendor provient d'une ligne étiquetée vendor (insensible à la casse). Prends tout ce qui suit les deux points et supprime les espaces.
  • La date provient d'une ligne étiquetée date. Garde la chaîne brute (une leçon ultérieure la valide).
  • Le total provient d'une ligne dont le label est total OR amount due (tous deux vus dans la nature). Analyse le nombre en un float, en tolérant un $ initial et des virgules de milliers comme 1,250.00.
  • Chaque line item se trouve sur une ligne étiquetée line ou item : le texte avant le numéro final est le desc (stripped), et le numéro final est le amount (un float).

A façon propre d'entrer : diviser par nouvelles lignes, et pour chaque ligne diviser une fois sur le premier : pour obtenir label, rest. Mettre la étiquette en minuscules, la supprimer, et brancher. Pour l'argent à la fin d'une ligne, une petite regex comme re.search(r"(-?[\d,]+\.?\d*)\s*$", rest) attrape le dernier nombre. Les champs manquants ont une valeur par défaut sensée : pas de ligne de vendeur -> "", pas de total -> 0.0, pas d'articles -> [].

Les équipes de production utilisent de plus en plus un LLM à cette étape, mais la sortie du LLM doit toujours avoir exactement cette forme ou le reste du pipeline casse -> c'est pourquoi tu construis d'abord le parser déterministe et tu lui fais confiance. Appuie sur Run pour parser une facture d'exemple et voir le dictionnaire structuré sortir.

À ton tour

Écris parse_invoice(text) qui transforme une chaîne de facture mal rangée en un dictionnaire avec vendor (str), date (raw str), total (float), et line_items (une liste de dictionnaires {"desc", "amount"}). Sois tolérant : les étiquettes ne sont pas sensibles à la casse, total peut aussi lire amount due, les articles sont étiquetés line ou item, et les nombres peuvent contenir un $ ou des virgules de milliers. Vendeur manquant -> "", total manquant -> 0.0, aucun article -> []. Un montant de ligne peut aussi contenir un $ et des virgules de milliers ; aucun des deux n'appartient à desc (Line: Cloud Hosting $1,706.92 donne la desc Cloud Hosting et le montant 1706.92).

Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon

Cet exercice s'ouvre bientôt

Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.