使用场景

从PDF中提取发票数据：使用ExtractThinker从PDF文件中提取发票编号、日期和总金额。

智能文档分类：对大量文档进行分类，识别不同类型的文档并进行相应的处理。

PII检测和处理：在处理敏感文档时，自动识别并处理个人身份信息，确保数据隐私。

产品特色

使用Pydantic进行数据提取：从任何文档类型中提取结构化数据，并使用Pydantic模型进行验证、自定义功能和提示工程能力。

智能文档分类和分割：支持共识策略、急切/惰性分割和置信度阈值的智能文档分类和分割。

PII检测：自动检测和处理文档中的敏感个人信息，采用隐私优先的方法和高级验证。

LLM和OCR中立：根据需求和成本要求，自由选择和切换不同的LLM提供商和OCR引擎。

使用教程

1. 安装ExtractThinker：使用pip安装extract_thinker。

2. 定义要提取的数据：创建一个继承自Contract的类，定义需要提取的数据字段。

3. 初始化提取器：创建Extractor实例，并加载文档加载器和LLM模型。

4. 从文档中提取数据：使用Extractor的extract方法从指定文档中提取数据，并传入Contract类。

5. 打印结果：打印提取的数据，如发票编号、日期和总金额。