散らかったテキストから項目を取り出す
あなたの代表作となるポートフォリオプロジェクトへようこそ。4 つのレッスンを通して ドキュメントインテリジェンスサービス を作ります。フィンテックや業務チームが、散らかった請求書の山をデータベースのきれいで検証済み、突き合わせ済みの行に変えるために動かしている種類のパイプラインです。最後には採用担当者に「照合と評価を備えた、スキーマ検証付きの抽出パイプラインを作った」と言えるようになります -> しかも本当の意味で。
最初のステップは、誰もが嫌がるのに誰もが必要とする泥臭い部分です。構造化されていない テキストから構造化された項目を取り出します。取引先は請求書をひとかたまりのテキストとしてメールで送ってきます。あなたの仕事は parse_invoice(text) です -> vendor、date、total(float)、line_items({"desc", "amount"} の辞書のリスト)を持つ辞書を返します。
落とし穴、そしてこれが本物の仕事である理由は、文書が そろっていない ことです。ある文書は Total: と書き、次の文書は Amount Due と書き、3 つ目はあらゆる所に余分な空白を入れています。ラベルも、大文字小文字も、空白もばらばらです。ひとつの決まったレイアウトしか扱えないパーサーは、実際のメールでは役に立ちません。
Vendor: Acme Corp
Date: 2026-01-15
Line: Widgets x10 120.00
Line: Shipping 8.50
Total: 128.50パーサーが守るべきルール:
- vendor は
vendorというラベルの行から取ります(大文字小文字は区別しません)。コロンの後ろをすべて取り、前後の空白を除きます。 - date は
dateというラベルの行から取ります。生の文字列のまま残します(後のレッスンで検証します)。 - total はラベルが
totalまたはamount dueの行から取ります(実際にはどちらも見かけます)。数値をfloatに変換し、先頭の$や1,250.00のような桁区切りのカンマも受け付けます。 - 各 明細行 は
lineまたはitemというラベルの行にあります。末尾の数値より前のテキストがdesc(前後の空白を除く)で、末尾の数値がamount(float)です。
きれいな入り方:改行で分割し、各行を最初の : で一度だけ分割して label, rest を得ます。ラベルを小文字にして空白を除き、分岐します。明細行の末尾の金額には、re.search(r"(-?[\d,]+\.?\d*)\s*$", rest) のような小さな正規表現で最後の数値をつかみます。欠けている項目には妥当な既定値を入れます。vendor の行がない -> ""、total がない -> 0.0、明細がない -> []。
本番のチームはこのステップに LLM を使うことが増えていますが、LLM の出力も まさにこの形 に収まらなければ、パイプラインの残りが壊れます -> だからこそ、まず決定的なパーサーを作り、それを信頼するのです。Run を押してサンプルの請求書を解析し、構造化された辞書が出てくるのを見てみましょう。
散らかった請求書の文字列を、vendor(str)、date(生の str)、total(float)、line_items({"desc", "amount"} の辞書のリスト)を持つ辞書に変える parse_invoice(text) を書いてください。寛容に扱います。ラベルは大文字小文字を区別せず、total は代わりに amount due と書かれていることがあり、明細行のラベルは line か item で、数値には $ や桁区切りのカンマが付くことがあります。vendor がない -> ""、total がない -> 0.0、明細がない -> []。明細の金額にも $ や桁区切りのカンマが付くことがありますが、どちらも desc には入れません(Line: Cloud Hosting $1,706.92 からは desc が Cloud Hosting、amount が 1706.92 になります)。
この演習はまもなく開きます
その前のレッスンを終えると、このレッスンが解放されます。コース全体が無料でアカウントも不要、このレッスンは今すぐ読めます。
このブラウザは learn.floati.life の Cookie をブロックしているため、ここで修了したレッスンを順番どおりに開けません。このサイトの Cookie を許可して再読み込みしてください。