详细内容或原文请订阅后点击阅览

我两次构建了相同的 B2B 文档提取器：规则与 LLM

2026年5月13日 18:22 33 Comments
X Twitter Instagram Mail

使用 pytesseract 的基于规则的 PDF 提取与使用 Ollama 和 LLaMA 3 的基于 LLM 的方法之间的实际比较，基于现实的 B2B 订单场景。我构建相同的 B2B 文档提取器两次：规则与 LLM 的帖子首先出现在 Towards Data Science 上。

来源:走向数据科学

情况：您在一家中型公司的运营团队工作。您的团队每天都会处理来自不同 B2B 客户的订单。它们全部以 PDF 形式提供。理论上，它们都包含相同的信息：客户 ID、采购订单编号、交货日期和订购的商品。

但实际上，每个文档看起来都略有不同：一位客户将采购订单编号放在左上角，下一位客户将采购订单编号放在右下角。有些写“PO 编号”，有些则使用“订单 ID”、“订单参考”或完全不同的内容。

对于我们人类来说，这通常不是问题。我们查看文档，了解上下文，并立即识别出哪些信息的含义。

然而，对于传统的自动化系统，这变得很困难：正则表达式规则可以专门搜索“PO Number：”。但如果下一个客户使用“订单参考：”，会发生什么情况呢？

这正是我为本文重新创建的问题。

我们比较了从 B2B 订单中提取结构化数据的两种不同方法：

  • 使用 pytesseract 和正则表达式规则的传统基于规则的方法
  • 使用 pytesseract、Ollama 和 LLaMA 3 的基于 LLM 的方法

    • 本文的目的并不是要表明法学硕士通常更好。但情况并非总是如此。

    一个更有趣的问题是：随着复杂性和不同布局数量的增加，传统提取管道在什么时候开始达到其极限？法学硕士什么时候可以真正减少维护工作？

    目录1 – 分步指南2 – 头对头比较3 – 我们什么时候不应该使用法学硕士？4 – 最后的想法在哪里继续学习？

    1 – 分步指南

  • 传统方法基本上会问：
  • “我能找到我编程的确切模式吗？”
  • 基于 LLM 的方法会询问：
  • “我能理解这个字段在上下文中的含义吗？”

    • → 🤓在 GitHub Repo 中找到完整代码🤓 ←

    开始之前 — Mise en Place

    pip 与 Anaconda

    创建并激活新的虚拟环境
  • 为什么？
    • 信息的 下一个 ID B2B 提取 相同的 使用 实际上 LLM 不同的 下一位 虚拟环境 维护工作 传统方法 自动化 订单 团队 客户 规则 传统的 表达式 传统 询问 为什么 法学硕士 最后的 编号 编程的 采购订单 方法 pytesseract 文档 复杂性 交货日期 时候 基本上 PO