PDF 抽成 JSON 不稀奇,字段能指回原文才稀奇
Nutrient 的文档抽取 API 按你的 schema 输出 JSON,字段附带页码、区域和置信度。先在 Studio 试,再写代码。
文档抽取的麻烦,通常不在抽不出来。抽出来之后,没人敢直接用。
发票金额对不对,合同里的甲乙方有没有错,扫描件表格有没有串行。模型丢回一个 JSON,看着像那么回事。你要核对,还是得翻原文,一行行找。
Nutrient 发布了一个 Data Extraction API。据 MarkTechPost 作者 Asif Razzaq 的报道,它把 PDF、扫描件和 Office 文件解析成符合你 schema 的 JSON。schema 就是你事先定义好的字段结构,比如发票号、金额、日期。每个字段带三类引用信息:页码、区域、匹配标签。另外还有置信度。
这几项信息解决的是同一件事:抽取结果能指回原文。人不用盲信模型输出,可以按引用位置核对。对做票据审核、合同处理、文档入库的团队,这比多抽对两个字段更实际。
过去做这件事,要么靠 OCR 加模板,版式一换就维护不过来;要么靠大模型直接抽,结果好看但难追溯。Nutrient 把 schema 约束和字段级引用放在一起,方向是让抽取变成可检查的流程,不是一锤子买卖。
用法分两步。先在 Studio 里定义 schema、上传样本测试,看每个字段抽得对不对、引用位置准不准;确认后再接 API,写进业务系统。按原文描述,团队可以在写代码前先试。这个顺序合理,抽取规则没调好就接系统,后面返工更贵。
我的判断:这类工具的位置在“字段相对固定、版式变化多、需要审计”的场景。账单、保单、申请表都算。想拿它做开放域问答或者自由文本总结,方向不对。它卖的是可控,不是全能。
原文链接:https://www.marktechpost.com/2026/11/18/nutrient-data-extraction-api-citations-confidence/
发布时间: 2026-11-19 11:23