探索Azure AI Document Intelligence: 提取文档信息的智能助手

Azure AI Document Intelligence: 提取文档信息的智能助手

Azure AI Document Intelligence（前称：Azure Form Recognizer）是一种基于机器学习的服务，能够从数字或扫描的PDF、图像、Office文件和HTML文件中提取文本（包括手写）、表格、文档结构（如标题、章节标题等）和键值对。它支持多种文件格式，如PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX和HTML。

在本文中，我们将探讨如何使用Azure AI Document Intelligence将文档内容逐页整合并转换为LangChain文档。同时，我们将讨论如何处理网络访问问题，以及如何最大化利用该服务的抓取能力。

主要内容

1. 前提条件

在开始之前，您需要在Azure上创建一个AI Document Intelligence资源。此服务目前在以下三个预览区域提供：美国东部，美国西部2和西欧。请参考此文档创建资源。如果您还没有，请确保获取<endpoint> 和 <key> 以便加载器使用。

安装所需的Python包：

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

2. 使用本地文件进行文档加载

我们可以使用本地文件，通过Azure AI Document Intelligence加载文档。

from langchain_community.document_loaders import AzureAIDocumentIntelligenceLoader

file_path = "<filepath>"  # 替换为您的文件路径
endpoint