使用 LlamaExtract 和 Pydantic 模型提取商店收據

在本文中，我們將探索如何使用 LlamaExtract 與 Pydantic 模型中的模式結合，以便從商店收據中提取結構化資料。這種方法有助於系統地組織收據訊息，使其更易於分析和管理。

設定

首先，請確保您安裝了 llama-extract 用戶端程式庫。使用以下命令：

pip install llama-extract pydantic

注意：如果您看到有關更新 pip 的通知，您可以使用提供的命令進行更新。

首先，登入並從 Llama Index Cloud 免費取得 api-key

為您的 LlamaExtract API 金鑰設定環境變數：

import os

os.environ["LLAMA_CLOUD_API_KEY"] = "YOUR LLAMA INDEX CLOUD API HERE"

載入數據

對於此範例，假設我們有一個 PDF 格式的商店收據資料集。將這些檔案放在名為receipts 的目錄中。

DATA_DIR = "data/receipts"
fnames = os.listdir(DATA_DIR)
fnames = [fname for fname in fnames if fname.endswith(".pdf")]
fpaths = [os.path.join(DATA_DIR, fname) for fname in fnames]
fpaths

輸出應列出收據的文件路徑：

['data/receipts/receipt.pdf']

定義 Pydantic 模型

我們將使用 Pydantic 定義我們的資料模型，這將告訴 API 我們期望或想要從 PDF 提取哪些欄位/資料。對於商店收據，我們可能有興趣提取商店名稱、日期、總金額和購買的商品清單。

from pydantic import BaseModel
from typing import List

class Item(BaseModel):
    name: str
    quantity: int
    price: float

class Receipt(BaseModel):
    store_name: str
    date: str
    total_amount: float
    items: List[Item]

創建架構

現在，我們可以使用 Pydantic 模型在 LlamaExtract 中定義擷取模式。

from llama_extract import LlamaExtract

extractor = LlamaExtract(verbose=True)
schema_response = await extractor.acreate_schema("Receipt Schema", data_schema=Receipt)
schema_response.data_schema

輸出架構應類似下列內容：

{
    'type': 'object',
    '$defs': {
        'Item': {
            'type': 'object',
            'title': 'Item',
            'required': ['name', 'quantity', 'price'],
            'properties': {
                'name': {'type': 'string', 'title': 'Name'},
                'quantity': {'type': 'integer', 'title': 'Quantity'},
                'price': {'type': 'number', 'title': 'Price'}
            }
        }
    },
    'title': 'Receipt',
    'required': ['store_name', 'date', 'total_amount', 'items'],
    'properties': {
        'store_name': {'type': 'string', 'title': 'Store Name'},
        'date': {'type': 'string', 'title': 'Date'},
        'total_amount': {'type': 'number', 'title': 'Total Amount'},
        'items': {
            'type': 'array',
            'title': 'Items',
            'items': {'$ref': '#/$defs/Item'}
        }
    }
}

運行提取

定義了架構後，我們現在可以從收據文件中提取結構化資料。透過指定收據作為回應模型，我們確保提取的資料經過驗證和結構化。

responses = await extractor.aextract(
    schema_response.id, fpaths, response_model=Receipt
)

如果需要，您可以存取原始 JSON 輸出：

data = responses[0].data
print(data)

JSON 輸出範例：

{
    'store_name': 'ABC Electronics',
    'date': '2024-08-05',
    'total_amount': 123.45,
    'items': [
        {'name': 'Laptop', 'quantity': 1, 'price': 999.99},
        {'name': 'Mouse', 'quantity': 1, 'price': 25.00},
        {'name': 'Keyboard', 'quantity': 1, 'price': 50.00}
    ]
}

結論

在本文中，我們示範如何將 LlamaExtract 與 Pydantic 模型結合使用來定義資料模式並從商店收據中提取結構化資料。這種方法可確保提取的資訊組織良好且經過驗證，從而更易於處理和分析。

這也可用於許多案例、發票、收據、報告等。

快樂編碼！ ！

你有專案嗎？您希望我協助您寄電子郵件給我嗎？ ： [email protected]

有疑問或想成為第一個了解我的貼文的人：-
在 LinkedIn 上關注 ✅ 我？
在 Twitter/X 上關注 ✅ 我？