Azure AI 文档智能

Azure AI 文档智能（以前称为 Azure Form Recognizer）是基于机器学习的服务，可以从数字或扫描的 PDF、图像、Office 和 HTML 文件中提取文本（包括手写文字）、表格、文档结构（例如标题、章节标题等）和键值对。

文档智能支持 PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX 和 HTML 格式的文件。

当前的 Document Intelligence 加载器实现可以将内容逐页整合，并将其转换为 LangChain 文档。默认输出格式为 markdown，可以轻松地与 MarkdownHeaderTextSplitter 进行语义文档分块。您还可以使用 mode="single" 或 mode="page" 来返回单页纯文本或按页拆分的文档。

先决条件

在以下 3 个预览区域之一拥有 Azure AI 文档智能资源：东部美国、西部美国2、西欧 - 如果没有，请参阅此文档进行创建。您将需要将 <endpoint> 和 <key> 作为参数传递给加载器。

%pip install --upgrade --quiet  langchain langchain-community azure-ai-documentintelligence

示例 1

第一个示例使用本地文件，该文件将被发送到 Azure AI 文档智能。

通过初始化文档分析客户端，我们可以继续创建 DocumentIntelligenceLoader 的实例：

from langchain_community.document_loaders import AzureAIDocumentIntelligenceLoader
file_path = "<filepath>"
endpoint = "<endpoint>"
key = "<key>"
loader = AzureAIDocumentIntelligenceLoader(
    api_endpoint=endpoint, api_key=key, file_path=file_path, api_model="prebuilt-layout"
)
documents = loader.load()

默认输出包含一个 LangChain 文档，其内容格式为 markdown：

documents

示例 2

输入文件也可以是公共 URL 路径。例如，https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/layout.png。

url_path = "<url>"
loader = AzureAIDocumentIntelligenceLoader(
    api_endpoint=endpoint, api_key=key, url_path=url_path, api_model="prebuilt-layout"
)
documents = loader.load()

documents

示例 3

您还可以指定 mode="page" 以按页加载文档。

from langchain_community.document_loaders import AzureAIDocumentIntelligenceLoader
file_path = "<filepath>"
endpoint = "<endpoint>"
key = "<key>"
loader = AzureAIDocumentIntelligenceLoader(
    api_endpoint=endpoint,
    api_key=key,
    file_path=file_path,
    api_model="prebuilt-layout",
    mode="page",
)
documents = loader.load()

输出将作为列表中的单独文档存储每一页的内容：

for document in documents:
    print(f"Page Content: {document.page_content}")
    print(f"Metadata: {document.metadata}")

示例 4

您还可以指定 analysis_feature=["ocrHighResolution"] 以启用附加功能。更多信息，请参阅：https://aka.ms/azsdk/python/documentintelligence/analysisfeature。

from langchain_community.document_loaders import AzureAIDocumentIntelligenceLoader
file_path = "<filepath>"
endpoint = "<endpoint>"
key = "<key>"
analysis_features = ["ocrHighResolution"]
loader = AzureAIDocumentIntelligenceLoader(
    api_endpoint=endpoint,
    api_key=key,
    file_path=file_path,
    api_model="prebuilt-layout",
    analysis_features=analysis_features,
)
documents = loader.load()

输出包含具有高分辨率附加功能的 LangChain 文档：

documents