某些应用需要解析文档，其中人类级别的判断比速度更重要。例如标记交易或从文本中提取语义信息。在这些情况下，正则表达式可能过于不灵活，而大语言模型则是理想的选择。可以将Doctran视为一个由大语言模型驱动的黑盒，杂乱的字符串进入，整洁、干净、带标签的字符串输出。另一种理解方式是，它是OpenAI函数调用功能的模块化、声明式封装，显著改善了开发者体验。
Doctran由jasonwcfan轻度维护。
示例
克隆或下载examples.ipynb以获取交互式演示。
Doctran将杂乱、非结构化的文本
<doc type="Confidential Document - For Internal Use Only">
<metadata>
<date> J u l y   1 , 2 0 2 3 </date>
<subject> Updates and Discussions on Various Topics; </subject>
</metadata>
<body>
<p>Dear Team,</p>
<p>I hope this email finds you well. In this document, I would like to provide you with some important updates and discuss various topics that require our attention. Please treat the information contained herein as highly confidential.</p>
<section>
<header>Security and Privacy Measures</header>
<p>As part of our ongoing commitment to ensure the security and privacy of our customers' data, we have implemented robust measures across all our systems. We would like to commend John Doe (email: john.doe@example.com) from the IT department for his diligent work in enhancing our network security. Moving forward, we kindly remind everyone to strictly adhere to our data protection policies and guidelines. Additionally, if you come across any potential security risks or incidents, please report them immediately to our dedicated team at security@example.com.</p>
</section>
<section>
<header>HR Updates and Employee Benefits</header>
<p>Recently, we welcomed several new team members who have made significant contributions to their respective departments. I would like to recognize Jane Smith (SSN: 0 4 9 - 4 5 - 5 9 2 8) for her outstanding performance in customer service. Jane has consistently received positive feedback from our clients. Furthermore, please remember that the open enrollment period for our employee benefits program is fast approaching. Should you have any questions or require assistance, please contact our HR representative, Michael Johnson (phone: 4 1
...
转换为针对向量搜索优化的半结构化文档。
{
"topics": ["安全和隐私", "人力资源更新", "营销", "研发"],
"summary": "该文档讨论了安全措施、人力资源、营销计划和研发项目的更新。表扬了John Doe增强网络安全的工作，欢迎新团队成员，并表彰了Jane Smith在客户服务方面的表现。还提到了员工福利计划的开放注册期，感谢Sarah Thompson在社交媒体方面的努力，并宣布7月15日的产品发布会。David Rodriguez在研发方面的贡献得到了认可。文档强调了保密的重要性。",
"contact_info": [
{
"name": "John Doe",
"contact_info": {
"phone": "",
"email": "john.doe@example.com"
}
},
{
"name": "Michael Johnson",
"contact_info": {
"phone": "418-492-3850",
"email": "michael.johnson@example.com"
}
},
{
"name": "Sarah Thompson",
"contact_info": {
"phone": "415-555-1234",
"email": ""
}
}
],
"questions_and_answers": [
{
"question": "这份文档的目的是什么？",
"answer": "这份文档的目的是提供重要更新并讨论需要团队关注的各种主题。"
},
{
"question": "谁因增强公司网络安全而受到表扬？",
"answer": "IT部门的John Doe因增强公司网络安全而受到表扬。"
}
]
}
开始使用
pip install doctran
from doctran import Doctran doctran = Doctran(openai_api_key=OPENAI_API_KEY) document = doctran.parse(content="你的内容字符串")
链式转换
Doctran旨在使文档转换的链式操作变得简单。例如，你可能希望先对文档中的所有个人身份信息进行编辑，然后再将其发送给OpenAI进行摘要。
链式转换中的顺序很重要——首先调用的转换将首先执行，其结果将传递给下一个转换。
document = await document.redact(entities=["EMAIL_ADDRESS", "PHONE_NUMBER"]).extract(properties).summarize().execute()
Doctran转换器
提取
给定任何有效的JSON模式，使用OpenAI函数调用从文档中提取结构化数据。
from doctran import ExtractProperty properties = ExtractProperty( name="millenial_or_boomer", description="预测这份文档是由千禧一代还是婴儿潮一代撰写的", type="string", enum=["millenial", "boomer"], required=True ) document = await document.extract(properties=properties).execute()
编辑
使用spaCy模型从文档中删除姓名、电子邮件、电话号码和其他敏感信息。在本地运行以避免将敏感数据发送到第三方API。
document = await document.redact(entities=["PERSON", "EMAIL_ADDRESS", "PHONE_NUMBER", "US_SSN"]).execute()
摘要
总结文档中的信息。可以传递token_limit来配置摘要的大小，但OpenAI可能不会严格遵守。
document = await document.summarize().execute()
精炼
从文档中删除所有信息，除非与特定主题集相关。
document = await document.refine(topics=['marketing', 'meetings']).execute()
翻译
将文本翻译成另一种语言
document = await document.translate(language="spanish").execute()
问答
将文档中的信息转换为问答格式。最终用户查询通常以问题的形式出现，因此将信息转换为问题并从这些问题创建索引，在使用向量数据库进行上下文检索时通常会产生更好的结果。
document = await document.interrogate().execute()
贡献
Doctran欢迎贡献！最好的开始方式是贡献一个新的文档转换器。不依赖API调用（例如OpenAI）的转换器特别有价值，因为它们可以快速运行且不需要任何外部依赖。
添加新的doctran转换器
贡献新的转换器很简单。
- 添加一个新的类，扩展
DocumentTransformer或OpenAIDocumentTransformer - 实现
__init__和transform方法 - 在
DocumentTransformationBuilder和Document类中添加相应的方法以启用链式操作
编辑推荐精选
音述AI
全球首个AI音乐社区
音述AI是全球首个AI音乐社区，致力让每个人都能用音乐表达自我。音述AI提供零门槛AI创作工具，独创GETI法则帮助用户精准定义音乐风格，AI润色功能支持自动优化作品质感。音述AI支持交流讨论、二次创作与价值变现。针对中文用户的语言习惯与文化背景进行专门优化，支持国风融合、C-pop等本土音乐标签，让技术更好地承载人文表达。
lynote.ai
一站式搞定所有学习需求
不再被海量信息淹没，开始真正理解知识。Lynote 可摘要 YouTube 视频、PDF、文章等内容。即时创建笔记，检测 AI 内容并下载资料，将您的学习 效率提升 10 倍。
AniShort
为AI短剧协作而生
专为AI短剧协作而生的AniShort正式发布，深度重构AI短剧全流程生产模式，整合创意策划、制作执行、实时协作、在线审片、资产复用等全链路功能，独创无限画布、双轨并行工业化工作流与Ani智能体助手，集成多款主流AI大模型，破解素材零散、版本混乱、沟通低效等行业痛点，助力3人团队效率提升800%，打造标准化、可追溯的AI短剧量产体系，是AI短剧团队协同创作、提升制作效率的核心工具。
seedancetwo2.0
能听懂你表达的视频模型
Seedance two是基于seedance2.0的中国大模型，支持图像、视频、音频、文本四种模态输入，表达方式更丰富，生成也更可控。
nano-banana纳米香蕉中文站
国内直接访问，限时3折
输入简单文字,生成想要的图片，纳米香蕉中文站基于 Google 模型的 AI 图片生成网站，支持文字生图、图生图。官网价格限时3折活动
扣子-AI办公
职场AI，就用扣子
AI办公助手，复杂任务高效处理。办公效率低？扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作，覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应，生活工作无缝切换，提升50%效率！
堆友
多风格AI绘画神器
堆友平台由阿里巴巴设计团队创建，作为一款AI驱动的设计工具，专为设计师提供一站式增长服务。功能覆盖海量3D素材、AI绘画、实时渲染以及专业抠图，显著提升设计品质和效率。平台不仅提供工具，还是一个促进创意交流和个人发展的空间，界面友好，适合所有级别的设计师和创意工作者。
码上飞
零代码AI应用开发平台
零代码AI应用开发平台，用户只需一句话简单描述需求，AI能自动生成小程序、APP或H5网页应用，无需编写代码。
Vora
免费创建高清无水印Sora视频
Vora是一个免费创建高清无水印Sora视频的AI工具
Refly.AI
最适合小白的AI自动化工作流平台
无需编码，轻松生成可复用、可变现的AI自动化工作流
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号