从杂乱的文本中提取字段
欢迎来到你的旗舰作品集项目。在四节课里,你要构建一个文档智能服务:就是金融科技或运营团队用来把一堆杂乱的发票变成数据库里干净、经过验证、已对账的行的那种流水线。到最后,你可以告诉招聘经理你"构建了一个带对账和评测、经过 schema 验证的提取流水线",而且说的是真的。
第一步是那个没人喜欢、但人人都需要的脏活:从非结构化文本中抽出结构化字段。一个供应商用一团文本把发票通过邮件发过来。你的任务是 parse_invoice(text) -> 一个带有 vendor、date、total(一个 float)和 line_items(一个由 {"desc", "amount"} 字典组成的列表)的字典。
难点,也是这是真实工作的原因:这些文档并不统一。一份写 Total:,下一份写 Amount Due,第三份到处都填满了多余的空格。标签会变,大小写会变,空白也会变。一个只能处理某一种精确版式的解析器,在真实的邮件上毫无用处。
Vendor: Acme Corp
Date: 2026-01-15
Line: Widgets x10 120.00
Line: Shipping 8.50
Total: 128.50你的解析器必须遵守的规则:
- vendor 来自标签为
vendor的一行(不区分大小写)。取冒号后面的所有内容并去掉两端空白。 - date 来自标签为
date的一行。保留原始字符串(后面的一课会验证它)。 - total 来自标签为
total或amount due的一行(两种在现实中都见过)。把数字解析成float,容忍开头的$和像1,250.00这样的千位逗号。 - 每个明细项位于标签为
line或item的一行上:末尾数字之前的文本是desc(去掉两端空白),末尾的数字是amount(一个 float)。
一个干净的入手方式:按换行拆分,对每一行按第一个 : 只拆一次,得到 label, rest。把标签转成小写、去掉两端空白,然后分支。对于明细项末尾的金额,一个像 re.search(r"(-?[\d,]+\.?\d*)\s*$", rest) 这样的小正则表达式能抓住最后一个数字。缺失的字段要有合理的默认值:没有 vendor 行 -> "",没有 total -> 0.0,没有明细项 -> []。
生产团队越来越多地把 LLM 用在这一步上,但 LLM 的输出仍然必须落成正好这个形状,否则流水线的其余部分就会坏掉,这就是为什么你要先构建确定性的解析器并信任它。按 Run 解析一张示例发票,看结构化的字典出来。
写 parse_invoice(text),把一个杂乱的发票字符串变成一个字典,包含 vendor(str)、date(原始 str)、total(float)和 line_items(一个由 {"desc", "amount"} 字典组成的列表)。要宽容:标签不区分大小写,total 可能写成 amount due,明细项的标签是 line 或 item,数字可能带有 $ 或千位逗号。缺少 vendor -> "",缺少 total -> 0.0,没有明细项 -> []。明细项的金额也可能带有 $ 和千位逗号;它们都不属于 desc(Line: Cloud Hosting $1,706.92 得到 desc Cloud Hosting 和 amount 1706.92)。
这个练习即将开放
完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。
这个浏览器屏蔽了 learn.floati.life 的 Cookie,所以你在这里完成的课程无法按顺序打开。请允许这个网站使用 Cookie,然后重新加载。