Agentic-Doc: Python-библиотека от LandingAI для извлечения структурированных данных из сложных документов 67

Введение в Agentic-Doc

agentic-doc — это Python-библиотека, выпущенная Landingai, специально предназначенная для извлечения структурированных данных из сложных документов (включая PDF, изображения и URL). Эта библиотека инкапсулирует соответствующие API, упрощая работу пользователей. Она способна обрабатывать сверхдлинные документы (более ста страниц), а также автоматически справляться с сетевыми проблемами, такими как повторные попытки при неудачных запросах, управление параллельными задачами и соблюдение ограничений скорости. Кроме того, она оснащена инструментами визуальной отладки, которые помогают пользователям лучше понимать и оптимизировать процесс извлечения данных. Библиотека упрощает использование API, автоматически разбивает большие файлы на части для параллельной обработки, объединяет результаты, а также обладает функциями обработки ошибок и пакетной обработки, что делает работу с документами значительно удобнее.

Основные функции Agentic-Doc

• Обработка сложных документов: извлечение данных из сложных макетов документов, включая таблицы, изображения и динамическую компоновку страниц.

• Поддержка длинных документов: возможность обработки PDF-документов объёмом более 100 страниц за один раз.

• Автоматическая обработка: автоматическое управление параллелизмом, тайм-аутами и ограничениями скорости.

• Вспомогательные инструменты: предоставляются фрагменты ограничивающих рамок, визуальный отладчик и другие инструменты.

• Структурированный вывод: данные выводятся в иерархических форматах JSON и Markdown.

• Пакетная обработка: поддержка пакетной обработки нескольких документов с повышением эффективности за счёт параллелизма.

• Обработка ошибок: автоматический повтор типичных HTTP-ошибок (таких как 408, 429, 502, 503, 504).

Технические особенности Agentic-Doc

• На базе Python: поддержка версий Python с 3.9 по 3.12.

• Управление API-ключами: настройка API-ключа через переменные окружения или файл .env.

• Автоматическое разбиение и объединение: автоматическое разбиение больших файлов и параллельная обработка с последующим объединением результатов.

• Инкапсуляция REST API: упрощение вызовов REST API, обеспечение автоматической обработки больших файлов и параллельной обработки нескольких документов.

Сценарии применения Agentic-Doc

• Оцифровка документов: преобразование бумажных документов или сканов в структурированные данные.

• Извлечение данных: извлечение ключевой информации из большого количества сложных документов.

• Разбор таблиц и диаграмм: автоматическое распознавание и извлечение данных из таблиц и диаграмм.

• Отраслевые применения: подходит для финансов, логистики, медицины, страхования и юридической отрасли для анализа и обработки сложных документов.

Установка и использование Agentic-Doc

1. Установка: выполните pip install agentic-doc.

2. Настройка: задайте API-ключ в качестве переменной окружения.

3. Поддерживаемые типы файлов: PDF, отдельные изображения или URL.

4. Базовое использование: предусмотрены простые вызовы функций для разбора документов с возвратом структурированных данных.

Преимущества Agentic-Doc

• Высокая эффективность: снижение ручного вмешательства и повышение уровня автоматизации обработки документов.

• Высокая точность извлечения: более точные результаты извлечения, подходящие для сложных макетов документов.

• Автоматизация: автоматическая обработка больших файлов и пакетов документов.

Ссылки на проект

GitHub:https://github.com/landing-ai/agentic-doc

Официальный сайт:https://landing.ai/agentic-document-extraction