dexblog.ro
Acces rapid: Învață AI Învață Programare Specificații Dispozitive Comparații
LLAMA Toate componentele LlamaIndex & Data RAG

LlamaParse (Parsare Avansată PDF, Tabele și Formule) în LlamaIndex & Data RAG

Ingestie, Parsare & Indexare Nivel: mediu

Parserul de documente bazat pe viziune AI creat de echipa LlamaIndex: reconstruiește impecabil în format Markdown tabelele pe mai multe coloane, graficele și PDF-urile scanate.

Sintaxă & invocare Python 
from llama_parse import LlamaParse

parser = LlamaParse(
    api_key='llx-...',
    result_type='markdown',
    language='ro'
)
documents = parser.load_data('./ bilant_contabil_complex.pdf')

Descriere & Utilizare

Cititoarele clasice de PDF (precum pypdf) eșuează lamentabil atunci când întâlnesc documente din lumea reală: tabele financiare cu celule unite, text pe două coloane, antete amestecate cu note de subsol sau pagini scanate.

LlamaParse folosește modele multimodale de viziune pentru a ‘citi’ vizual fiecare pagină și a o converti într-un format Markdown curat, în care tabelele sunt perfect aliniate cu | coloana 1 | coloana 2 |.

Când modelele LLM primesc tabele formatate corect în Markdown în loc de șiruri de cifre amestecate, acuratețea răspunsurilor pe rapoarte financiare și tehnice crește spectaculos.

Cum să o reții ușor

💡 În loc să copiezi un tabel dintr-un PDF cu Copy-Paste în Notepad (unde toate cifrele se amestecă fără sens pe un singur rând), un analist uman transcrie cu grijă tabelul linie cu linie și coloană cu coloană.

Opțiuni și parametri tehnici

  • Trimite fișierul PDF, DOCX sau PPTX către serviciul specializat LlamaCloud (oferă un plan gratuit generos de 1000 de pagini pe zi).
  • Aplică OCR inteligent și detecție de layout pentru tabele, formule LaTeX și imagini.
  • Poate fi integrat direct în SimpleDirectoryReader prin parametrul file_extractor={'.pdf': parser}.

Exemple practice și cazuri de utilizare

  • Integrare cu SimpleDirectoryReader: file_extractor = {'.pdf': parser}
    docs = SimpleDirectoryReader('./acte', file_extractor=file_extractor).load_data()
  • Instrucțiuni personalizate de parsare: LlamaParse(result_type='markdown', parsing_instruction='Acesta este un extras bancar. Păstrează toate sumele și IBAN-urile intacte.')

Sfaturi de configurare & capcane

Când folosești LlamaParse(result_type='markdown'), combină-l cu MarkdownElementNodeParser din LlamaIndex, care știe să separe tabelele Markdown în noduri dedicate fără să le taie la jumătate!

Comenzi și ghiduri înrudite