Conteúdo do curso Lição 219 de 250 · Projeto: Serviço de Inteligência de Documentos
Projeto: Serviço de Inteligência de Documentos

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: 128.50

As 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 total OU amount due (ambos vistos na prática). Analise o número para um float, tolerando um $ inicial e vírgulas de milhar como 1,250.00.
  • Cada item de linha fica em uma linha rotulada como line ou item: o texto antes do número final é o desc (limpo), e o número final é o amount (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.

Sua vez

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.