Agentic Document Extraction —— 开源项目教程

1. 项目介绍

Agentic Document Extraction 是由 LandingAI 开发的一个 Python 库，它封装了 LandingAI 的 Agentic Document Extraction API。这个库可以用来从复杂的视觉文档中提取结构化数据，例如表格、图片和图表，并返回一个包含精确元素位置的层次化 JSON。

2. 项目快速启动

环境准备

• Python 版本：3.9、3.10、3.11 或 3.12
• LandingAI agentic AI API key（获取方式请参考官方文档）

安装

首先，确保已经设置了环境变量中的 API Key：

export VISION_AGENT_API_KEY=<your-api-key>

然后通过 pip 安装 agentic-doc 库：

pip install agentic-doc

基本使用

以下是一个从单个文档中提取数据并返回结果的基本示例：

from agentic_doc.parse import parse_documents

# 解析本地文件
results = parse_documents(["path/to/image.png"])
parsed_doc = results[0]

# 获取提取的 markdown 格式数据
print(parsed_doc.markdown)

# 获取提取的结构化数据块
print(parsed_doc.chunks)

如果你需要从 URL 解析文档，可以使用以下代码：

# 解析来自 URL 的文档
results = parse_documents(["https://example.com/document.pdf"])
parsed_doc = results[0]

# 打印提取的 markdown 格式数据
print(parsed_doc.markdown)

3. 应用案例和最佳实践

处理大型 PDF 文件

当处理包含超过 1000 页的大型 PDF 文件时，这个库可以自动将 PDF 分割为多个部分，并行处理这些部分，并最终将结果缝合在一起。

并行处理多个文件

你可以一次性解析多个文件，库会并行处理它们：

from agentic_doc.parse import parse_and_save_documents

# 解析本地文件并保存结果
file_paths = ["path/to/your/document1.pdf", "path/to/another/document2.pdf"]
result_save_dir = "path/to/save/results"
result_paths = parse_and_save_documents(file_paths, result_save_dir)

保存视觉区域

库可以提取并保存文档中每个内容块的视觉区域（groundings），这对于可视化文档中提取了哪些部分非常有用。

# 在解析文档时保存视觉区域
results = parse_documents(
    ["path/to/document.pdf"],
    grounding_save_dir="path/to/save/groundings"
)

# 打印保存的视觉区域路径
for chunk in results[0].chunks:
    for grounding in chunk.grounding:
        if grounding.image_path:
            print(f"Grounding saved to: {grounding.image_path}")

4. 典型生态项目

目前，Agentic Document Extraction 的生态系统还不是非常庞大，但是它作为文档解析工具，可以与许多其他项目集成，例如：

• 数据库管理系统，用于存储提取的数据。
• 机器学习模型，用于进一步分析提取的结构化数据。
• 前端应用程序，用于展示提取的数据和视觉区域。

通过这些集成，可以构建完整的数据处理和分析流程。