Document AI 是来自 Google Cloud 的文档理解平台，用于将文档中的非结构化数据转换为结构化数据，使其更易于理解、分析和使用。 了解更多： 该模块包含一个基于 Google Cloud 的 DocAI 的 PDF 解析器。 您需要安装两个库才能使用此解析器： 
pip install -qU  langchain-google-community[docai]
首先，您需要设置 Google Cloud Storage (GCS) 存储桶并创建您自己的光学字符识别 (OCR) 处理器，如此处所述。 GCS_OUTPUT_PATH 应该是 GCS 上文件夹的路径（以 gs:// 开头），PROCESSOR_NAME 应该类似于 projects/PROJECT_NUMBER/locations/LOCATION/processors/PROCESSOR_ID 或 projects/PROJECT_NUMBER/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION_ID。您可以通过编程方式获取它，或从 Google Cloud Console 的 Processor details 选项卡的 Prediction endpoint 部分复制。 
GCS_OUTPUT_PATH = "gs://BUCKET_NAME/FOLDER_PATH"
PROCESSOR_NAME = "projects/PROJECT_NUMBER/locations/LOCATION/processors/PROCESSOR_ID"

from langchain_core.document_loaders.blob_loaders import Blob
from langchain_google_community import DocAIParser
现在，创建一个 DocAIParser。 
parser = DocAIParser(
    location="us", processor_name=PROCESSOR_NAME, gcs_output_path=GCS_OUTPUT_PATH
)
对于此示例，您可以使用上传到公共 GCS 存储桶的 Alphabet 收益报告。 2022Q1_alphabet_earnings_release.pdf 将文档传递给 lazy_parse() 方法以 
blob = Blob(
    path="gs://cloud-samples-data/gen-app-builder/search/alphabet-investor-pdfs/2022Q1_alphabet_earnings_release.pdf"
)
我们将每页获得一个文档，总共 11 个： 
docs = list(parser.lazy_parse(blob))
print(len(docs))

11
您可以逐个运行 blob 的端到端解析。如果您有许多文档，将它们批处理在一起，甚至将解析与处理解析结果分离可能是更好的方法。 
operations = parser.docai_parse([blob])
print([op.operation.name for op in operations])

['projects/543079149601/locations/us/operations/16447136779727347991']
您可以检查操作是否完成： 
parser.is_running(operations)

True
当它们完成时，您可以解析结果： 
parser.is_running(operations)

False

results = parser.get_results(operations)
print(results[0])

DocAIParsingResults(source_path='gs://vertex-pgt/examples/goog-exhibit-99-1-q1-2023-19.pdf', parsed_path='gs://vertex-pgt/test/run1/16447136779727347991/0')
现在我们可以从解析结果生成 Documents： 
docs = list(parser.parse_from_results(results))

print(len(docs))

11
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.