Silabus Pelajaran 219 dari 250 · Proyek: Layanan Kecerdasan Dokumen
Proyek: Layanan Kecerdasan Dokumen

Ambil Field dari Teks Berantakan

Selamat datang di proyek andalan portofoliomu. Selama empat pelajaran kamu akan membangun Layanan Kecerdasan Dokumen: jenis pipeline yang dijalankan tim fintech atau operasional untuk mengubah tumpukan faktur berantakan menjadi baris-baris yang bersih, tervalidasi, dan terekonsiliasi di database. Di akhir, kamu bisa bilang ke perekrut bahwa kamu "membangun pipeline ekstraksi tervalidasi skema dengan rekonsiliasi dan eval" -> dan benar-benar bermaksud begitu.

Langkah pertama adalah bagian kotor yang tidak disukai siapa pun tetapi dibutuhkan semua orang: menarik field terstruktur dari teks yang tidak terstruktur. Seorang vendor mengirim faktur lewat email sebagai gumpalan teks. Tugasmu adalah parse_invoice(text) -> dict dengan vendor, date, total (sebuah float), dan line_items (daftar dict {"desc", "amount"}).

Masalahnya, dan alasan ini pekerjaan sungguhan: dokumennya tidak seragam. Satu menulis Total:, berikutnya menulis Amount Due, yang ketiga memberi spasi tambahan di mana-mana. Labelnya beragam, huruf besar kecilnya beragam, spasinya beragam. Parser yang hanya menangani satu tata letak persis tidak berguna untuk surat sungguhan.

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

Aturan yang harus diikuti parsermu:

  • Vendor berasal dari baris berlabel vendor (tanpa memedulikan huruf besar kecil). Ambil semua setelah titik dua dan rapikan.
  • Tanggal berasal dari baris berlabel date. Simpan string mentahnya (pelajaran berikutnya memvalidasinya).
  • Total berasal dari baris berlabel total ATAU amount due (keduanya ditemukan di dunia nyata). Ubah angkanya menjadi float, dengan menoleransi $ di depan dan koma ribuan seperti 1,250.00.
  • Setiap butir baris ada di baris berlabel line atau item: teks sebelum angka di akhir adalah desc (dirapikan), dan angka di akhir adalah amount (sebuah float).

Cara masuk yang rapi: pecah berdasarkan baris baru, dan untuk setiap baris pecah sekali di : pertama untuk mendapat label, rest. Kecilkan huruf label, rapikan, lalu bercabang. Untuk uang di akhir sebuah butir baris, regex kecil seperti re.search(r"(-?[\d,]+\.?\d*)\s*$", rest) mengambil angka terakhirnya. Field yang hilang diberi bawaan yang masuk akal: tidak ada baris vendor -> "", tidak ada total -> 0.0, tidak ada butir -> [].

Tim produksi makin sering melempar LLM ke langkah ini, tetapi keluaran LLM tetap harus mendarat dalam bentuk persis ini atau sisa pipeline-nya rusak -> karena itulah kamu membangun parser deterministik dulu dan memercayainya. Tekan Run untuk mem-parsing contoh faktur dan melihat dict terstrukturnya keluar.

Giliranku

Tulis parse_invoice(text) yang mengubah string invoice berantakan menjadi dict dengan vendor (str), date (raw str), total (float), dan line_items (list dari dict {"desc", "amount"}). Bersikaplah toleran: label tidak peka huruf besar, total mungkin terbaca sebagai amount due, item baris dilabeli line atau item, dan angka mungkin berisi $ atau koma ribuan. Vendor hilang -> "", total hilang -> 0.0, tidak ada item -> []. Jumlah baris bisa berisi $ dan koma ribuan juga; keduanya tidak boleh ada di desc (Line: Cloud Hosting $1,706.92 memberikan desc Cloud Hosting dan amount 1706.92).

Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini

Latihan ini akan segera dibuka

Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.