Programma Lezione 219 di 250 · Progetto: servizio di intelligenza sui documenti
Progetto: servizio di intelligenza sui documenti

Estrarre campi da un testo disordinato

Benvenuto nel tuo progetto di punta per il portfolio. In quattro lezioni costruirai un servizio di intelligenza sui documenti: il tipo di pipeline che un team fintech o operativo fa girare per trasformare una pila di fatture disordinate in righe pulite, validate e riconciliate in un database. Alla fine puoi dire a un responsabile delle assunzioni che hai "costruito una pipeline di estrazione validata da uno schema con riconciliazione e valutazioni" -> e dirlo sul serio.

Il primo passo è la parte sporca che a nessuno piace ma di cui tutti hanno bisogno: estrarre campi strutturati da un testo non strutturato. Un fornitore manda una fattura per email come un blocco di testo. Il tuo lavoro è parse_invoice(text) -> un dict con vendor, date, total (un float) e line_items (una lista di dict {"desc", "amount"}).

Il problema, e il motivo per cui è un lavoro vero: i documenti non sono uniformi. Uno dice Total:, il successivo dice Amount Due, un terzo riempie tutto di spazi in più. Le etichette cambiano, le maiuscole cambiano, gli spazi cambiano. Un parser che gestisce solo un'impaginazione esatta è inutile sulla posta vera.

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

Le regole che il tuo parser deve seguire:

  • Il vendor viene da una riga con l'etichetta vendor (senza distinguere maiuscole). Prendi tutto ciò che c'è dopo i due punti e ripuliscilo.
  • La date viene da una riga con l'etichetta date. Tieni la stringa grezza (una lezione successiva la valida).
  • Il total viene da una riga la cui etichetta è total OPPURE amount due (si vedono entrambe in giro). Trasforma il numero in un float, tollerando un $ iniziale e le virgole delle migliaia come 1,250.00.
  • Ogni voce sta su una riga con l'etichetta line o item: il testo prima del numero finale è la desc (ripulita), e il numero finale è l'amount (un float).

Un modo pulito per cominciare: dividi sugli a capo, e per ogni riga dividi una volta sul primo : per avere label, rest. Metti l'etichetta in minuscolo, ripuliscila, e dividi in base a quella. Per l'importo finale di una voce, una piccola regex come re.search(r"(-?[\d,]+\.?\d*)\s*$", rest) prende l'ultimo numero. I campi mancanti hanno default sensati: nessuna riga vendor -> "", nessun totale -> 0.0, nessuna voce -> [].

I team di produzione usano sempre più un LLM per questo passo, ma l'uscita dell'LLM deve comunque arrivare esattamente in questa forma altrimenti il resto della pipeline si rompe -> ed è per questo che costruisci prima il parser deterministico e ti fidi di lui. Premi Run per leggere una fattura di esempio e veder uscire il dict strutturato.

Tocca a te

Scrivi parse_invoice(text) che trasforma una stringa di fattura disordinata in un dict con vendor (str), date (str grezza), total (float) e line_items (una lista di dict {"desc", "amount"}). Sii tollerante: le etichette non distinguono le maiuscole, total può invece essere amount due, le voci hanno l'etichetta line o item, e i numeri possono avere un $ o le virgole delle migliaia. Vendor mancante -> "", totale mancante -> 0.0, nessuna voce -> []. Anche l'importo di una voce può avere un $ e le virgole delle migliaia; nessuno dei due va nella desc (Line: Cloud Hosting $1,706.92 dà desc Cloud Hosting e amount 1706.92).

Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione

Questo esercizio si apre presto

Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.