पाठ्यक्रम 250 में से पाठ 219 · प्रोजेक्ट: दस्तावेज़ समझने वाली सेवा
प्रोजेक्ट: दस्तावेज़ समझने वाली सेवा

बिखरे टेक्स्ट से fields निकालें

अपने मुख्य portfolio प्रोजेक्ट में स्वागत है। चार पाठों में आप एक दस्तावेज़ समझने वाली सेवा बनाएँगे: उस तरह की pipeline जो एक fintech या ops टीम बिखरे invoices के ढेर को डेटाबेस में साफ़, जाँची, मिलाई पंक्तियों में बदलने के लिए चलाती है। अंत तक आप एक hiring manager को बता सकते हैं कि आपने "reconciliation और evals के साथ एक schema-validated extraction pipeline बनाई" -> और सचमुच यही मतलब हो।

पहला क़दम वह गंदा हिस्सा है जो किसी को पसंद नहीं पर सबको चाहिए: असंरचित टेक्स्ट से संरचित fields निकालना। एक vendor एक invoice टेक्स्ट के गट्ठर के रूप में ईमेल करता है। आपका काम parse_invoice(text) है -> vendor, date, total (एक float), और line_items ({"desc", "amount"} dicts की सूची) वाली एक dict।

पेच, और इसके असली काम होने का कारण: दस्तावेज़ एक जैसे नहीं हैं। एक कहता है Total:, अगला कहता है Amount Due, तीसरा हर चीज़ को अतिरिक्त ख़ाली जगह से भरता है। labels बदलते हैं, अक्षर रूप बदलता है, ख़ाली जगह बदलती है। सिर्फ़ एक सटीक layout सँभालने वाला parser असली डाक पर बेकार है।

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

आपके parser को जिन नियमों का पालन करना है:

  • vendor vendor label वाली पंक्ति से आता है (छोटे-बड़े अक्षर से स्वतंत्र)। colon के बाद का सब लें और strip करें।
  • date date label वाली पंक्ति से आती है। कच्ची स्ट्रिंग रखें (बाद का पाठ इसे जाँचता है)।
  • total उस पंक्ति से आता है जिसका label total या amount due है (दोनों असल में दिखते हैं)। संख्या को float में parse करें, शुरुआती $ और 1,250.00 जैसे हज़ारों वाले कॉमा सहते हुए।
  • हर line item line या item label वाली पंक्ति पर बैठता है: आख़िरी संख्या से पहले का टेक्स्ट desc है (strip किया), और आख़िरी संख्या amount है (एक float)।

एक साफ़ शुरुआत: नई पंक्तियों पर split करें, और हर पंक्ति को पहले : पर एक बार split करके label, rest पाएँ। label को छोटे अक्षरों में करें, strip करें, और शाखा बनाएँ। line item पर आख़िरी पैसे के लिए re.search(r"(-?[\d,]+\.?\d*)\s*$", rest) जैसा छोटा regex आख़िरी संख्या पकड़ता है। ग़ायब fields समझदारी से डिफ़ॉल्ट होते हैं: कोई vendor पंक्ति नहीं -> "", कोई total नहीं -> 0.0, कोई items नहीं -> []।

production टीमें बढ़ते तौर पर इस क़दम पर एक LLM लगाती हैं, पर LLM के आउटपुट को फिर भी ठीक इसी आकार में आना होगा नहीं तो pipeline का बाक़ी हिस्सा टूटता है -> इसीलिए आप पहले निश्चित parser बनाते हैं और उस पर भरोसा करते हैं। एक नमूना invoice parse करने और संरचित dict निकलते देखने के लिए Run दबाएँ।

आपकी बारी

parse_invoice(text) लिखें जो एक बिखरी invoice स्ट्रिंग को vendor (str), date (कच्ची str), total (float), और line_items ({"desc", "amount"} dicts की सूची) वाली dict में बदले। सहनशील रहें: labels छोटे-बड़े अक्षर से स्वतंत्र हैं, total की जगह amount due हो सकता है, line items पर line या item label है, और संख्याओं में $ या हज़ारों वाले कॉमा हो सकते हैं। ग़ायब vendor -> "", ग़ायब total -> 0.0, कोई items नहीं -> []। एक line राशि में भी $ और हज़ारों वाले कॉमा हो सकते हैं; दोनों में से कोई desc में नहीं आता (Line: Cloud Hosting $1,706.92 से desc Cloud Hosting और amount 1706.92 मिलता है)।

इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें

यह अभ्यास जल्द खुलेगा

इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।