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

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：

雷雷

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：

雷雷

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。

雷雷

输出应列出收据的文件路径：

雷雷

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。

雷雷

创建架构

现在，我们可以使用 Pydantic 模型在 LlamaExtract 中定义提取模式。

雷雷

输出架构应类似于以下内容：

雷雷

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。

雷雷

如果需要，您可以访问原始 JSON 输出：

雷雷

JSON 输出示例：

雷雷

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！！

你有项目吗？您希望我协助您给我发电子邮件吗？：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？

以上是使用 AI 创建最快、最精确的发票数据提取器以进行结构输出的详细内容。更多信息请关注PHP中文网其他相关文章！