Skip to main content
Document AI 是 Google Cloud 的文档理解平台，可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 DocAI 的 PDF 解析器。 使用此解析器需要安装以下两个库： 
pip install -qU  langchain-google-community[docai]
首先，您需要按照以下说明设置 Google Cloud Storage（GCS）存储桶并创建光学字符识别（OCR）处理器：cloud.google.com/document-ai/docs/create-processor GCS_OUTPUT_PATH 应为 GCS 上某个文件夹的路径（以 gs:// 开头），PROCESSOR_NAME 格式应为 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，或从 Google Cloud Console 中”处理器详情”标签页的”预测端点”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
)
在此示例中，您可以使用上传到公共 GCS 存储桶的 Alphabet 财报文件。 2022Q1_alphabet_earnings_release.pdf 将文档传入 lazy_parse() 方法： 
blob = Blob(
    path="gs://cloud-samples-data/gen-app-builder/search/alphabet-investor-pdfs/2022Q1_alphabet_earnings_release.pdf"
)
每页生成一个文档，共 11 个： 
docs = list(parser.lazy_parse(blob))
print(len(docs))

11
您可以逐个对 blob 进行端到端解析。如果有大量文档，建议批量处理，甚至将解析与结果处理分离。 
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已完成： 
parser.is_running(operations)

True
完成后，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')
现在可以从解析结果生成 Documents： 
docs = list(parser.parse_from_results(results))

print(len(docs))

11
在 GitHub 上编辑此页面 或 提交问题。
将这些文档连接到 Claude、VSCode 等，通过 MCP 获取实时解答。