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: 128.50Aturan 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
totalATAUamount due(keduanya ditemukan di dunia nyata). Ubah angkanya menjadifloat, dengan menoleransi$di depan dan koma ribuan seperti1,250.00. - Setiap butir baris ada di baris berlabel
lineatauitem: teks sebelum angka di akhir adalahdesc(dirapikan), dan angka di akhir adalahamount(sebuah float).
Cara masuk yang rapi: pecah berdasarkan baris baru, dan untuk setiap baris pecah sekali di : pertama untuk mendapat label, rest. Kecilkan huruf label, rapikan, lalu bercabang. Untuk uang di akhir sebuah butir baris, regex kecil seperti re.search(r"(-?[\d,]+\.?\d*)\s*$", 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.
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.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.