langchain_community.document_loaders.parsers.pdf
.AmazonTextractPDFParser¶
- class langchain_community.document_loaders.parsers.pdf.AmazonTextractPDFParser(textract_features: Optional[Sequence[int]] = None, client: Optional[Any] = None, *, linearization_config: Optional['TextLinearizationConfig'] = None)[source]¶
将`PDF`文件发送到`Amazon Textract`并解析它们。
要解析多页PDF文件,它们必须存储在S3上。
AmazonTextractPDFLoader调用 [Amazon Textract服务](https://aws.amazon.com/textract/) 将PDF文件转换为文档结构。 支持单页和多页文档,最多支持3000页和512 MB大小。
要成功调用,需要一个AWS账户, 类似于 [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-configure.html) 的要求。
除了AWS配置外,它与其他PDF加载器非常相似,同时还支持JPEG、PNG和TIFF以及非原生PDF格式。
`python from langchain_community.document_loaders import AmazonTextractPDFLoader loader=AmazonTextractPDFLoader("example_data/alejandro_rosalez_sample-small.jpeg") documents = loader.load() `
一个特性是输出的线性化。 当与Textract一起使用特性LAYOUT、FORMS或TABLES时
```python from langchain_community.document_loaders import AmazonTextractPDFLoader # 您可以混合和匹配每个特性 loader=AmazonTextractPDFLoader(
“example_data/alejandro_rosalez_sample-small.jpeg”, textract_features=[“TABLES”, “LAYOUT”])
它将生成按阅读顺序格式化文本的输出, 并尝试以表格结构输出信息或 使用冒号(key: value)输出键/值对。 这有助于大多数LLMs在处理这些文本时实现更好的准确性。
初始化解析器。
- 参数:
textract_features:用于提取的特征,每个特征应作为符合枚举`Textract_Features`的整数传递,参见`amazon-textract-caller`包 client:boto3 textract客户端 linearization_config:用于输出线性化的配置应为来自`textractor`包的TextLinearizationConfig实例
Methods
__init__
([textract_features, client, ...])初始化解析器。
lazy_parse
(blob)遍历Blob页面并返回一个迭代器,每个页面都有一个Document,类似于其他解析器。如果是多页文档,blob.path必须设置为S3 URI,对于单页文档,则使用blob.data。
parse
(blob)将blob急切地解析为一个文档或多个文档。
- Parameters
textract_features (Optional[Sequence[int]]) –
client (Optional[Any]) –
linearization_config (Optional['TextLinearizationConfig']) –
- Return type
None
- __init__(textract_features: Optional[Sequence[int]] = None, client: Optional[Any] = None, *, linearization_config: Optional['TextLinearizationConfig'] = None) None [source]¶
初始化解析器。
- 参数:
textract_features:用于提取的特征,每个特征应作为符合枚举`Textract_Features`的整数传递,参见`amazon-textract-caller`包 client:boto3 textract客户端 linearization_config:用于输出线性化的配置应为来自`textractor`包的TextLinearizationConfig实例
- Parameters
textract_features (Optional[Sequence[int]]) –
client (Optional[Any]) –
linearization_config (Optional['TextLinearizationConfig']) –
- Return type
None