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
Keevx
AI数字人视频创作平台
Keevx 一款开箱即用的AI数字人视频创作平台，广泛适用于电商广告、企业培训与社媒宣传，让全球企业与个人创作者无需拍摄剪辑，就能快速生成多语言、高质量的专业视频。
即梦AI
一站式AI创作平台
提供 AI 驱动的图片、视频生成及数字人等功能，助力创意创作
扣子-AI办公
AI办公助手，复杂任务高效处理
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！
TRAE编程
AI辅助编程，代码自动修复
Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。
蛙蛙写作
AI小说写作助手，一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
问小白
全能AI智能助手，随时解答生活与工作的多样问题
问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。
Transly
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。
讯飞智文
一键生成PPT和Word，让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。
讯飞星火
深度推理能力全新升级，全面对标OpenAI o1
科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。
Spark-TTS
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。
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