Ekstrak data jadual daripada dokumen: kekalkan pengepala, sel dan bukti sumber sebelum digunakan semula

Ekstrak data jadual daripada dokumen dengan membina semula baris, lajur dan kandungan sel jadual sumber supaya semuanya boleh diperiksa atau digunakan semula. Kekalkan pengepala yang berkaitan dengan setiap nilai, unit yang dicetak dan sebarang nota kaki sebelum mencadangkan nilai hasil penghuraian. Urutan aksara yang betul tetapi berada dalam lajur yang salah tetap merupakan pembinaan semula yang tidak betul.

Status keupayaan: didokumentasikan. Docling dan Structured Output didokumentasikan dalam katalog; proses pembinaan semula yang diterangkan di sini belum diuji dalam persekitaran pengeluaran oleh Ai Flowi. Tiada hasil gabungan aliran kerja yang direkodkan.

Oleh Ai Flowi · Diterbitkan 2026-10-11

Sumber rasmi: dokumentasi Docling

Berkaitan: Integrasi Unstructured.io dengan AI dalam AI Flowi Workflow.

Mulakan dengan grid sebelum mentafsir medan perniagaan

Pastikan sumber asal, label jadual dan versinya tersedia sepanjang semakan. Catat penunjuk lokasi sumber yang benar-benar boleh ditemukan oleh penyemak, seperti label halaman, kapsyen jadual, kunci baris dan laluan pengepala. Dalam latihan ini, penanda rujukan tersebut dibekalkan secara manual; ia bukan koordinat susun atur automatik.

Panduan AI dokumen membincangkan pemilihan medan bernama daripada dokumen. Di sini, tugas yang perlu dilakukan terlebih dahulu ialah mengekalkan grid: pengepala mana yang menentukan makna sel bercetak, sama ada sel itu kosong dan sama ada nota mengubah unitnya. Rujukan integrasi Docling memuatkan antara muka komponen yang lengkap.

Jika sumber asal sudah berupa jadual berstruktur yang boleh dipercayai, kekalkan struktur itu tanpa menambah OCR atau model semata-mata untuk membinanya semula. Bagi PDF atau imej, pastikan terlebih dahulu bahawa kaedah bacaan yang dipilih menghasilkan kandungan yang boleh diperiksa daripada sampel yang anda dibenarkan gunakan. Kewujudan tetapan OCR sahaja tidak membuktikan sokongan untuk fail anda.

Periksa sumber sintetik tiga baris ini

Kad tawaran rekaan ini berlabel SOURCE-CARD-A, Jadual A, versi 2. Pengepala harga yang digabungkan terpakai pada kedua-dua lajur harga. Sel harga disemak R-B yang kosong tidak mengandungi nombor bercetak; nilai sifar dalam R-C dicetak secara jelas.

Pada telefon, kedua-dua jadual boleh ditatal dalam kawasannya sendiri. Gunakan papan kekunci untuk memfokuskan kawasan tersebut bagi memeriksa lajur yang berada di luar paparan awal.

Nota kaki sumber *: Untuk R-B sahaja, kuantiti pek mengira kotak dalaman setiap pek; setiap kotak dalaman mengandungi empat item.

Oleh itu, R-B mencetak enam kotak dalaman, bukan enam item berasingan. Dua puluh empat item setiap pek ialah hasil terbitan berasingan daripada nota kaki, bukan nilai sel yang diekstrak. Kekalkan kuantiti hasil penghuraian yang dicadangkan pada 6 dengan unit kotak dalaman setiap pek, serta kekalkan penjelasan khusus dalam nota kaki.

Salin lembaran kerja pembinaan semula sel

Gunakan satu rekod bagi setiap sel supaya pengepala dan bukti sumber kekal apabila struktur diratakan. Pengepala berikut ialah artifak semakan untuk disalin, bukan format muat naik yang dijanjikan atau takrif asli output_schema .

source_ref | table_ref | source_version | source_locator | header_path | row_key | printed_cell | printed_unit | proposed_parsed_value | cell_state | footnote | review_decision

Gunakan present, blank, unreadable dan not_supplied sebagai keadaan lembaran kerja yang berbeza di bawah dasar contoh ini. Kosong bermaksud sel sumber yang kelihatan kosong; tidak dapat dibaca bermaksud sel yang aksaranya tidak dapat dipastikan. Tidak dibekalkan bermaksud kawasan sumber yang diperlukan tidak termasuk dalam bahan yang dibekalkan. Tiada satu pun keadaan ini membenarkan nilai sifar.

Perwakilan bercetak di atas ialah rujukan bebas untuk sasaran ini. Sasaran tersebut ialah jangkaan yang ditulis oleh manusia, bukan output yang direkodkan daripada alat pengekstrakan jadual. Kekalkan juga tiga kunci baris dan pengepala harga dua aras; sembilan rekod sel yang kelihatan betul tidak dapat membetulkan identiti baris yang tertukar.

Baca, semak, kemudian strukturkan teks yang diterima

contoh konfigurasi, bukan ujian yang direkodkan

Simpan fail sumber yang dibenarkan dan sumber asalnya bersama lembaran kerja; sediakan akaun penyedia model dan kunci API anda sendiri, dengan pengebilan berasingan, melalui rujukan sambungan model.

1. Ikuti persediaan pemprosesan asas dalam contoh konfigurasi Docling.
2. Untuk semakan grid ini, tetapkan do_picture_classification Docling kepada false dan periksa dataframe, yang diisytiharkan sebagai Table, untuk R-A, R-B, R-C dan kedua-dua aras pengepala harga; tetapan pengelasan itu sendiri tidak membekalkan bukti penerimaan sel.
3. Bandingkan setiap sel, pengepala dan nota kaki yang dibina semula dengan sumber asal. Sediakan teks lembaran kerja yang telah disemak secara manual berserta penunjuk lokasi sumber. Hentikan proses jika hasilnya tidak dapat mengekalkan hubungan antara baris dengan lajur.
4. Letakkan teks yang telah disemak itu dalam input wajib Structured Output, input_value. Output Table Docling tidak diisytiharkan sebagai sambungan terus kepada input teks yang serasi dengan Message ini; cadangan ini menggunakan penyerahan oleh manusia dengan sengaja.
5. Gunakan rujukan konfigurasi Structured Output untuk persediaan wajib model dan output_schema dengan menamakan skema lembaran kerja ini cell_reconstruction melalui schema_name dan meletakkan arahan pengekalan sel di bawah dalam input wajib system_prompt.
6. Periksa structured_output JSON dan dataframe_output Table untuk sembilan rekod sel berasingan: harga disemak R-B mesti kekal kosong manakala kedua-dua harga R-C mengekalkan sifar bercetak. Sahkan cara setiap perwakilan mengekalkan header_path dan footnote; teks lembaran kerja yang dipisahkan dengan tanda paip bukan skema yang boleh diimport.

Represent only the supplied reviewed cell records. Preserve source version,
row key, complete header path, printed cell, unit, footnote and source locator.
Keep blank, unreadable and not-supplied states distinct from printed zero.
Do not fill missing prices, detach unit exceptions or turn derived quantities
into extracted values. Keep unresolved cells awaiting source review.

Baca setiap pengepala harga sebagai laluan, bukan label berasingan: Harga membekalkan unit RM setiap pek, manakala Senarai atau Disemak memilih amaun tertentu. Meratakan kedua-duanya menjadi satu medan harga akan menghapuskan perbezaan antara 24.00 dengan 22.00 bagi R-A. Semak liputan mengikut baris dan laluan pengepala secara berasingan: rekod harga senarai R-A yang berulang boleh menyebabkan jumlahnya kekal sembilan rekod walaupun sel harga senarai R-B tiada. Bilangan rekod sahaja tidak mencukupi untuk meluluskan lembaran kerja.

Ekstrak jadual daripada PDF atau imej: apakah yang perlu disemak?

Bagi PDF yang mengandungi teks boleh dibaca, periksa sama ada urutan bacaan meratakan pengepala yang digabungkan atau memindahkan nota kaki ke baris bersebelahan. Bagi imej atau PDF yang diimbas, periksa digit, tanda perpuluhan, sempadan lajur dan penanda nota kaki selepas OCR. Lajur kanan yang terpotong perlu ditandakan sebagai tidak dibekalkan; amaun yang kelihatan tetapi tidak dapat dibaca perlu ditandakan sebagai tidak dapat dibaca.

Uji sampel ini dengan memindahkan 18.00 ke lajur harga disemak, memadam pengepala RM, menukar sel kosong kepada 0.00 atau membuang asterisk daripada 6*. Setiap varian mesti gagal dalam perbandingan dengan sumber walaupun output berstrukturnya boleh dihuraikan. Membuang nota kaki menghalang penerimaan unit kuantiti R-B; tindakan itu tidak membenarkan penggunaan unit lajur biasa sebagai ganti.

Semakan ini menetapkan kegagalan yang dijangka, tanpa kadar lulus yang diukur. Katalog tidak mengesahkan ketepatan koordinat automatik, ketepatan yang ditentukur, pemasangan OCR yang disokong atau eksport Excel bagi konfigurasi ini. Artikel ini membekalkan lembaran kerja, bukan utiliti pengekstrakan dalam talian.

Terima grid sebelum digunakan semula dalam proses seterusnya

Catat siapa yang membandingkan grid, versi sumber yang disemak dan sel yang masih belum diselesaikan. Asingkan nilai hasil penghuraian yang dicadangkan daripada bukti bercetaknya apabila format perpuluhan berubah. Gunakan templat kamus data untuk langkah seterusnya bagi menentukan makna medan yang dipersetujui, dan pengujian ETL untuk rekonsiliasi identiti dan transformasi kemudian.

Jangan gunakan pembinaan semula yang belum disemak untuk jumlah, pesanan atau keputusan automatik. Jika pembetulan sumber diterima, simpan bukti lama dan semak versi baharu; menyunting nilai hasil penghuraian sahaja tidak dapat membuktikan perubahan pada sumber.

Pelan: Go dari USD8/bulan dengan bil tahunan (USD10 bulanan), Plus dari USD16 (USD20 bulanan), Pro 100 dari USD80 (USD100 bulanan), Pro 200 dari USD160 (USD200 bulanan) dan Pro 500 dari USD400 (USD500 bulanan), dengan 5,000 hingga 250,000 Flowi Tokens sebulan dan pilihan tambah nilai; 1 token bagi setiap pelaksanaan nod; penggunaan API dan model pihak ketiga tidak termasuk.