AIが文書を詳細に読む仕組み

このチュートリアルでは、Docling Parseを使用してPDF文書を詳細な構造レベルで分析するワークフローを構築します。まず、安定したPython環境を準備し、一般的なColabの依存関係の問題を処理し、テキスト、カラム、テーブルのようなコンテンツ、ベクター図形、埋め込み画像を含むカスタムの複数ページPDFを生成します。次に、Docling Parseを使用して、ページレベルの座標を持つ単語、文字、行を抽出し、視覚的なオーバーレイをレンダリングし、結果を構造化されたJSONおよびCSVファイルに保存します。このワークフローを通じて、低レベルのPDF解析が、レイアウト解析、読み取り順序の再構築、テーブル認識処理、検索対応の文書準備などの文書AIタスクをどのようにサポートできるかを確認します。Docling Parse Colab環境と依存関係のセットアップ

コードをコピー

別のブラウザを使用

import os, sys, subprocess, textwrap, json, time, shutil from pathlib import Path

def run(cmd):

print(f"\n$ {cmd}")

return subprocess.run(cmd, shell=True, text=True, capture_output=False)

run(f'{sys.executable} -m pip install -q --no-cache-dir -U "pillow>=10.4.0,<12" reportlab pandas matplotlib docling-core docling-parse')

try:

from PIL import Image, ImageDraw

except ImportError:

print("\nPillow import failed because Colab has a mixed PIL installation.")

print("Reinstalling Pillow and restarting runtime. After restart, run this same cell again.")

run(f'{sys.executable} -m pip uninstall -y pillow PIL')

run(f'{sys.executable} -m pip install -q --no-cache-dir --force-reinstall "pillow>=10.4.0,<12"')

os.kill(os.getpid(), 9)

import pandas as pd

import matplotlib.pyplot as plt

from reportlab.lib.pagesizes import A4

from reportlab.lib import colors

from reportlab.platypus import Table, TableStyle

from reportlab.pdfgen import canvas

from docling_core.types.doc.page import TextCellUnit

from docling_parse.pdf_parser import DoclingPdfParser

print("Environment ready.")

print("Python:", sys.version.split()[0])

WORKDIR = Path("/content/docling_parse_advanced_tutorial")

WORKDIR.mk