강의 계획 레슨 250개 중 219번째 · 프로젝트: 문서 인텔리전스 서비스
프로젝트: 문서 인텔리전스 서비스

지저분한 글에서 필드 추출하기

대표 포트폴리오 프로젝트에 온 걸 환영해요. 네 레슨에 걸쳐 문서 인텔리전스 서비스를 만들 거예요: 핀테크나 운영 팀이 지저분한 송장 더미를 데이터베이스의 깔끔하고, 검증되고, 대조된 행으로 바꾸려고 돌리는 그런 파이프라인이에요. 끝나면 채용 담당자에게 "대조와 평가가 있는 스키마 검증 추출 파이프라인을 만들었어요"라고 말할 수 있어요 -> 그리고 진짜로 그 말이 맞아요.

첫 단계는 아무도 좋아하지 않지만 모두에게 필요한 지저분한 부분이에요: 구조 없는 글에서 구조 있는 필드를 뽑아내기. 공급업체가 송장을 글 덩어리로 이메일에 보내요. 여러분의 일은 parse_invoice(text)예요 -> vendor, date, total(float), line_items({"desc", "amount"} dict의 리스트)가 있는 dict.

함정, 그리고 이게 진짜 일인 이유: 문서가 균일하지 않아요. 하나는 Total:이라고 하고, 다음 것은 Amount Due라고 하고, 세 번째는 모든 걸 여분의 공백으로 채워요. 라벨이 다르고, 대소문자가 다르고, 공백이 달라요. 딱 한 가지 배치만 다루는 파서는 진짜 메일에서 쓸모없어요.

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

파서가 따라야 할 규칙:

  • vendor는 vendor라는 라벨이 붙은 줄(대소문자 구분 없음)에서 와요. 콜론 뒤의 모든 걸 가져와 다듬어요.
  • date는 date라는 라벨이 붙은 줄에서 와요. 날것의 문자열을 지켜요(나중 레슨에서 검증해요).
  • total은 라벨이 total 또는 amount due인 줄에서 와요(실제로 둘 다 보여요). 앞의 $와 1,250.00 같은 천 단위 쉼표를 견디며 숫자를 float로 파싱해요.
  • 각 항목은 line이나 item이라는 라벨이 붙은 줄에 있어요: 끝 숫자 앞의 글이 desc(다듬음)이고, 끝 숫자가 amount(float)예요.

깔끔한 시작법: 줄바꿈으로 나누고, 각 줄을 첫 :에서 한 번 나눠 label, rest를 얻어요. 라벨을 소문자로 바꾸고, 다듬고, 갈래를 나눠요. 항목 줄의 끝 금액에는 re.search(r"(-?[\d,]+\.?\d*)\s*$", rest) 같은 작은 정규식이 마지막 숫자를 잡아요. 빠진 필드는 상식적인 기본값으로: vendor 줄 없음 -> "", total 없음 -> 0.0, 항목 없음 -> [].

운영 팀은 점점 이 단계에 LLM을 던지지만, LLM의 출력도 여전히 정확히 이 모양으로 떨어져야 파이프라인의 나머지가 깨지지 않아요 -> 그래서 결정적인 파서를 먼저 만들고 믿는 거예요. Run을 눌러 예시 송장을 파싱하고 구조 있는 dict가 나오는 걸 보세요.

내 차례

지저분한 송장 문자열을 vendor(str), date(날것의 str), total(float), line_items({"desc", "amount"} dict의 리스트)가 있는 dict로 바꾸는 parse_invoice(text)를 쓰세요. 너그럽게: 라벨은 대소문자를 구분하지 않고, total은 대신 amount due로 쓰일 수 있고, 항목에는 line이나 item 라벨이 붙고, 숫자에는 $나 천 단위 쉼표가 붙을 수 있어요. vendor 없음 -> "", total 없음 -> 0.0, 항목 없음 -> []. 항목 금액에도 $와 천 단위 쉼표가 붙을 수 있고, 둘 다 desc에 속하지 않아요(Line: Cloud Hosting $1,706.92는 desc Cloud Hosting과 amount 1706.92를 줘요).

이 레슨에서 문제를 발견했나요? 알려 주세요 · 이 레슨에 대해 묻기

이 연습은 곧 열려요

앞의 레슨을 마치면 이 레슨이 열려요. 강좌 전체가 무료이고 계정도 필요 없으며, 이 레슨은 지금 바로 읽을 수 있어요.