Extrair Campos de Texto Bagunçado
Bem-vindo ao seu projeto principal de portfólio. Ao longo de quatro lições, você vai construir um Document Intelligence Service: o tipo de pipeline que uma fintech ou equipe de operações roda para transformar um monte de faturas bagunçadas em linhas limpas, validadas e reconciliadas em um banco de dados. No final, você poderá dizer a um gerente de contratação que "construiu um pipeline de extração com validação de esquema, reconciliação e evals" -> e realmente significará isso.
O primeiro passo é a parte suja que ninguém gosta mas todo mundo precisa: extrair campos estruturados de unstructured texto. Um fornecedor envia uma fatura por e-mail como um bloco de texto. Seu trabalho é parse_invoice(text) -> um dicionário com vendor, date, total (uma float), e line_items (uma lista de {"desc", "amount"} dicionários).
O pulo do gato, e o motivo de isso ser trabalho real: os documentos não são uniformes. Um diz Total:, o próximo diz Amount Due, um terceiro preenche tudo com espaços extras. Rótulos variam, letras maiúsculas e minúsculas variam, espaços em branco variam. Um parser que só lida com um layout exato é inútil em e-mails reais.
Vendor: Acme Corp
Date: 2026-01-15
Line: Widgets x10 120.00
Line: Shipping 8.50
Total: 128.50As regras que seu parser deve seguir:
- O vendor vem de uma linha rotulada como
vendor(sem diferenciar maiúsculas de minúsculas). Pegue tudo depois dos dois pontos e remova os espaços. - A data vem de uma linha rotulada
date. Mantenha a string bruta (uma lição posterior a valida). - O total vem de uma linha cujo rótulo é
totalOUamount due(ambos vistos na prática). Analise o número para umfloat, tolerando um$inicial e vírgulas de milhar como1,250.00. - Cada item de linha fica em uma linha rotulada como
lineouitem: o texto antes do número final é odesc(limpo), e o número final é oamount(um float).
A forma limpa de entrar: divida por novas linhas e, para cada linha, divida uma vez no primeiro : para obter label, rest. Coloque o label em letras minúsculas, remova os espaços e faça o desvio. Para o dinheiro restante em um item de linha, um pequeno regex como re.search(r"(-?[\d,]+\.?\d*)\s*$", rest) pega o último número. Campos ausentes têm valores padrão sensatos: sem linha de fornecedor -> "", sem total -> 0.0, sem itens -> [].
As equipes de produção jogam cada vez mais um LLM nesse passo, mas a saída do LLM ainda precisa ter exatamente este formato ou o resto do pipeline quebra -> por isso você constrói o parser determinístico primeiro e confia nele. Pressione Run para analisar uma fatura de amostra e ver o dict estruturado sair.
Escreva parse_invoice(text) que transforma uma string de fatura bagunçada em um dicionário com vendor (str), date (raw str), total (float) e line_items (uma lista de dicionários {"desc", "amount"}). Seja tolerante: rótulos não diferenciam maiúsculas de minúsculas, total pode ler amount due em vez disso, itens de linha são rotulados como line ou item, e números podem ter um $ ou vírgulas de milhar. Fornecedor ausente -> "", total ausente -> 0.0, sem itens -> []. Um valor de linha pode ter um $ e vírgulas de milhar também; nenhum pertence em desc (Line: Cloud Hosting $1,706.92 dá desc Cloud Hosting e valor 1706.92).
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.