使用 AI 创建最快、最精确的发票数据提取器以进行结构输出
珍惜时间,勤奋学习!今天给大家带来《使用 AI 创建最快、最精确的发票数据提取器以进行结构输出》,正文内容主要涉及到等等,如果你正在学习文章,或者是对文章有疑问,欢迎大家关注我!后面我会持续更新相关内容的,希望都能帮到正在学习的大家!

使用 llamaextract 和 pydantic 模型提取商店收据
在本文中,我们将探索如何使用 llamaextract 与 pydantic 模型中的模式相结合,以便从商店收据中提取结构化数据。这种方法有助于系统地组织收据信息,使其更易于分析和管理。
设置
首先,确保您安装了 llama-extract 客户端库。使用以下命令:
pip install llama-extract pydantic
注意: 如果您看到有关更新 pip 的通知,您可以使用提供的命令进行更新。
首先,登录llama index cloud并免费获取一个api-key
为您的 llamaextract api 密钥设置环境变量:
import os os.environ["llama_cloud_api_key"] = "your llama index cloud api here"
加载数据
对于此示例,假设我们有一个 pdf 格式的商店收据数据集。将这些文件放在名为receipts的目录中。
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
输出应列出收据的文件路径:
['data/receipts/receipt.pdf']
定义 pydantic 模型
我们将使用 pydantic 定义我们的数据模型,这将告诉 api 我们期望或想要从 pdf 中提取哪些字段/数据。对于商店收据,我们可能有兴趣提取商店名称、日期、总金额和购买的商品列表。
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]
创建架构
现在,我们可以使用 pydantic 模型在 llamaextract 中定义提取模式。
from llama_extract import llamaextract
extractor = llamaextract(verbose=true)
schema_response = await extractor.acreate_schema("receipt schema", data_schema=receipt)
schema_response.data_schema
输出架构应类似于以下内容:
{
'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'}
}
}
}
运行提取
定义模式后,我们现在可以从收据文件中提取结构化数据。通过指定收据作为响应模型,我们确保提取的数据经过验证和结构化。
responses = await extractor.aextract(
schema_response.id, fpaths, response_model=receipt
)
如果需要,您可以访问原始 json 输出:
data = responses[0].data print(data)
json 输出示例:
{
'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}
]
}
结论
在本文中,我们演示了如何将 llamaextract 与 pydantic 模型结合使用来定义数据模式并从商店收据中提取结构化数据。这种方法可确保提取的信息组织良好且经过验证,从而更易于处理和分析。
这也可用于许多案例、发票、收据、报告等。
快乐编码!!
你有一个项目?想让我帮你发邮件给我??:wilbertmisingo@gmail.com
有疑问或想成为第一个了解我的帖子的人:-
在 linkedin 上关注 ✅ 我?
在 twitter/x 上关注 ✅ 我?
今天关于《使用 AI 创建最快、最精确的发票数据提取器以进行结构输出》的内容就介绍到这里了,是不是学起来一目了然!想要了解更多关于的内容请关注golang学习网公众号!
-
- 文章 · python教程 | 1天前 | 线程池 · Python 线程池 concurrent.futures 任务取消 Future.cancel
- Python concurrent.futures.Future.cancel 怎样判断任务能否取消
- 143浏览 收藏
-
- 文章 · python教程 | 1天前 | 标准库 · HTTP服务 · 多线程 · Python教程 · Python 并发请求 http.server ThreadingHTTPServer ThreadingMixIn BaseHTTPRequestHandler
- Python http.server ThreadingHTTPServer 怎样处理并发请求
- 481浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python tarfile.TarInfo.replace 怎样复制归档成员属性
- 308浏览 收藏
-
- 文章 · python教程 | 1天前 | 并发编程 · Python教程 · Python 多进程 multiprocessing forkserver 启动上下文
- Python multiprocessing forkserver 怎样处理进程启动上下文
- 232浏览 收藏
-
- 文章 · python教程 | 1天前 | 标准库 · 异步编程 · Python教程 · Python asyncio StreamReader readexactly IncompleteReadError 异步流
- Python asyncio.StreamReader.readexactly 怎样处理不足长度的输入
- 427浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python operator.length_hint 怎样为未知长度迭代器设置估计值
- 336浏览 收藏
-
- 文章 · python教程 | 1天前 | 标准库 · Python教程 · Python warnings catch_warnings simplefilter filterwarnings 警告过滤
- Python warnings context manager 怎样临时调整警告过滤
- 255浏览 收藏
-
- 文章 · python教程 | 1天前 | 调试 · python · 异步编程 · Python asyncio introspection current_task all_tasks
- Python asyncio introspection 怎样定位当前任务
- 120浏览 收藏
-
- 文章 · python教程 | 1天前 | 标准库 · Python教程 · Python 类型注解 Python 3.14 annotationlib get_annotations ForwardRef 延迟注解
- Python 3.14 annotationlib.get_annotations 怎样读取延迟注解
- 423浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python 3.14 跨解释器 Queue.put 的阻塞与 QueueFull 处理方案
- 157浏览 收藏
-
- 文章 · python教程 | 1天前 | xml · python · Python xml xml.etree.ElementTree canonicalize C14N
- Python xml.etree.ElementTree.canonicalize 怎样生成稳定的 XML 文本
- 151浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1156次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1141次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1320次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1261次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1117次使用
-
- Python TaskGroup 怎样让子任务失败统一收敛
- 2026-11-12 501浏览
-
- Python xml.dom.minidom.unlink 怎样释放不再使用的 DOM 树引用
- 2026-10-27 501浏览
-
- Python typing 怎样用 TypeIs 缩小类型
- 2026-10-24 501浏览
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览

领导并留住开发人员
