サンプル・ノートブック

watsonx.aiテキスト抽出サービスを使用してファイルからテキストを抽出するサンプルPythonノートブックにはwatsonx.aiでテキスト抽出ジョブを実行するコードが含まれています。

テキスト抽出ジョブを使ってファイルからテキストを抽出する

テ キ ス ト を抽出す る 元文書 と 、 抽出結果を収集す る 出力フ ァ イ ルを設定 し 、 テ キ ス ト 抽出ジョ ブを実行 し て結果を生成す る には、 以下の よ う な高度な手順を踏みます：

1. IBM Cloud Object Storage にソース・ドキュメントをアップロードし、抽出されたデータを入力する JSON ファイルをアップロードします。

   from ibm_watsonx_ai.helpers import DataConnection, S3Location
   
   local_source_file_name = "granite_code_models_paper.pdf"
   source_file_name = "./files/granite_code_models_paper.pdf"
   results_file_name = "./files/text_extraction_granite_code_models_paper.json"
   

2. ソース・ドキュメントと結果ファイルを表すデータ接続オブジェクトを作成する。

   document_reference = DataConnection(connection_asset_id=connection_asset_id,
                                       location=S3Location(bucket=bucketname,
                                                           path=source_file_name))
   
   results_reference = DataConnection(connection_asset_id=connection_asset_id,
                                      location=S3Location(bucket=bucketname,
                                                          path=results_file_name))
   

3. TextExtractionsクラスを使ってテキスト抽出マネージャオブジェクトを初期化します。

   from ibm_watsonx_ai.foundation_models.extractions import TextExtractions
   
   extraction = TextExtractions(api_client=client,
                               project_id=project_id)
   

4. テ キ ス ト 抽出処理で抽出 し たいプ ロ パテ ィ を設定 し ます。 この例では、光学式文字認識（OCR）を使って英語のテキストが検出され、文書に存在する表が処理される。

   from ibm_watsonx_ai.metanames import TextExtractionsMetaNames
   
   steps = {TextExtractionsMetaNames.OCR: {'language_list': ['en']},
           TextExtractionsMetaNames.TABLE_PROCESSING: {'enabled': True}}
   

5. テキスト抽出ジョブを実行し、ジョブIDを取得します。

   details = extraction.run_job(document_reference=document_reference, 
                               results_reference=results_reference, 
                               steps=steps)
   extraction_job_id = extraction.get_id(extraction_details=details)
   

6. ジョブの実行終了後、結果出力ファイルをダウンロードし、抽出されたデータを処理することができます。

   results_reference = extraction.get_results_reference(extraction_id=extraction_job_id)
   filename = "text_extraction_results_granite_code_models_paper.json"
   results_reference.download(filename=filename)
   
   import json
   
   metadata = json.load(open(filename, 'r'))
   metadata.get('all_structures').get('tokens')[:10]
   

詳細情報

• 文書からテキストを抽出する

親トピック Python ライブラリ