使用表格行提取技术提取重复实体

此示例演示了如何使用 PER_TABLE_ROW 提取目标，从包含重复实体（如表格、列表或目录）的文档中提取结构化数据。

为何使用表格提取目标？

PER_DOC（请参阅下表快速了解不同的提取目标）是LlamaExtract中的默认提取目标，它在执行提取时会考虑整个文档的上下文。当提取实体列表时，基于LLM的提取存在一个关键故障模式——它经常仅从长列表中提取前几十个条目。这是因为LLM对重复数据的注意力有限。文档级提取不能保证完全覆盖，长列表会导致提取不完整。

解决方案：PER_TABLE_ROW通过单独或分批处理每个实体来解决这个问题，确保无论列表长度如何都能彻底提取所有条目。

实体级别提取

当使用 extraction_target=ExtractTarget.PER_TABLE_ROW 时，您需要为单个实体（例如一家医院、一个产品、一个发票行项目）定义模式，而不是整个文档。LlamaExtract 会自动：

检测用于区分各个实体（表格行、列表项、章节标题等）的格式化模式
将您的模式应用于每个已识别的实体
返回一个 list[YourSchema]，每个实体对应一个对象

当每个实体本地包含您的模式所需的全部信息时，这种方法非常理想。

选择合适的提取目标

提取目标	最适合	返回值
`PER_DOC`	单实体文档、摘要或简短列表	整个文档对应一个JSON对象
`PER_PAGE`	多页文档，其中每页内容相互独立	每页一个JSON对象
`PER_TABLE_ROW`	包含重复实体的长列表、表格、目录	JSON对象列表（每个实体对应一个）

📖 更多详细信息，请参阅提取目标文档。

from dotenv import load_dotenv
from llama_cloud_services import LlamaExtract


# Load environment variables (put LLAMA_CLOUD_API_KEY in your .env file)
load_dotenv(override=True)

# Optionally, add your project id/organization id
llama_extract = LlamaExtract()

按县和保险计划划分的医院列表

我们有一份PDF文档，其中按县列出了医院列表以及加州蓝盾提供的不同保险计划。

你可以在此处获取 BSC-Hospital-List-by-County.pdf

First few entries from the PDF

我们希望从此表中提取每家医院以及适用的保险计划列表。

示例1：结构化表格

这是 PER_TABLE_ROW 提取的理想用例：

清晰的结构: 文档采用明确的表格格式，包含行和列
重复实体: 每行代表一个具有一致属性的医院
本地信息：每家医院的所有数据（县区、名称、计划）都包含在其行内

请注意，我们的 Hospital 模式描述的是单个医院，而非完整文档。LlamaExtract 将返回一个 list[Hospital]，其中每个表格行对应一个条目。

from pydantic import BaseModel, Field


class Hospital(BaseModel):
    """List of hospitals by county available for different BSC plans"""

    county: str = Field(description="County name")
    hospital_name: str = Field(description="Name of the hospital")
    plan_names: list[str] = Field(
        description="List of plans available at the hospital. One of: Trio HMO, SaveNet, Access+ HMO, BlueHPN PPO, Tandem PPO, PPO"
    )

from llama_cloud_services.extract import ExtractConfig, ExtractMode, ExtractTarget


result = await llama_extract.aextract(
    data_schema=Hospital,
    files="BSC-Hospital-List-by-County.pdf",
    config=ExtractConfig(
        extraction_mode=ExtractMode.PREMIUM,
        extraction_target=ExtractTarget.PER_TABLE_ROW,
        parse_model="anthropic-sonnet-4.5",
    ),
)

结果

len(result.data)

result.data[:10]

    [{'county': 'Alameda',
      'hospital_name': 'Alameda Hospital',
      'plan_names': ['Trio HMO',
       'SaveNet',
       'Access+ HMO',
       'BlueHPN PPO',
       'Tandem PPO',
       'PPO']},
     {'county': 'Alameda',
      'hospital_name': 'Alta Bates Med Ctr Herrick Campus',
      'plan_names': ['Trio HMO',
       'Access+ HMO',
       'BlueHPN PPO',
       'Tandem PPO',
       'PPO']},
     {'county': 'Alameda',
      'hospital_name': 'Alta Bates Summit Med Ctr Alta Bates Campus',
      'plan_names': ['Trio HMO',
       'Access+ HMO',
       'BlueHPN PPO',
       'Tandem PPO',
       'PPO']},
     {'county': 'Alameda',
      'hospital_name': 'Alta Bates Summit Med Ctr Summit Campus',
      'plan_names': ['Trio HMO',
       'Access+ HMO',
       'BlueHPN PPO',
       'Tandem PPO',
       'PPO']},
     {'county': 'Alameda',
      'hospital_name': 'Alta Bates Summit Medical Center',
      'plan_names': ['Trio HMO',
       'Access+ HMO',
       'BlueHPN PPO',
       'Tandem PPO',
       'PPO']},
     {'county': 'Alameda',
      'hospital_name': 'BHC Fremont Hospital',
      'plan_names': ['Trio HMO',
       'SaveNet',
       'Access+ HMO',
       'BlueHPN PPO',
       'Tandem PPO',
       'PPO']},
     {'county': 'Alameda',
      'hospital_name': 'Centre For Neuro Skills San Francisco',
      'plan_names': ['Trio HMO',
       'SaveNet',
       'Access+ HMO',
       'BlueHPN PPO',
       'Tandem PPO',
       'PPO']},
     {'county': 'Alameda',
      'hospital_name': 'Eden Medical Center',
      'plan_names': ['Trio HMO', 'Access+ HMO', 'PPO']},
     {'county': 'Alameda',
      'hospital_name': 'Fairmont Hospital',
      'plan_names': ['Trio HMO',
       'SaveNet',
       'Access+ HMO',
       'BlueHPN PPO',
       'Tandem PPO',
       'PPO']},
     {'county': 'Alameda',
      'hospital_name': 'Highland Hospital',
      'plan_names': ['Trio HMO',
       'SaveNet',
       'Access+ HMO',
       'BlueHPN PPO',
       'Tandem PPO',
       'PPO']}]

成功！ 我们从多页PDF中提取了全部380家医院。每个实体都正确解析了其所属县区、医院名称和适用的保险计划。若使用PER_DOC，我们可能只能获取前20-30条条目。

从玩具目录中提取信息

示例2：半结构化列表

PER_TABLE_ROW 提取目标同样适用于非显式表格但具有相似属性的文档：

有序列表: 玩具按顺序排列，并带有视觉分隔（章节标题、间距）
重复模式: 每个玩具条目都具有一致的结构（代码、名称、规格、描述）
本地信息：每个玩具的所有属性在其条目中被分组在一起

尽管这不是传统的表格格式，但每个玩具实体在本地都包含了我们模式所需的全部信息。LlamaExtract 检测区分每个玩具的格式模式，并将它们提取为独立的实体。

from pydantic import BaseModel, Field


class ToyCatalog(BaseModel):
    """Product information from a toy catalog."""

    section_name: str = Field(
        description="The name of the toy section (e.g. Table Toys, Active Toys)."
    )
    product_code: str = Field(
        description="The unique product code for the toy (e.g., GA457)."
    )
    toy_name: str = Field(description="The name of the toy.")
    age_range: str = Field(
        description="The recommended age range for the toy (e.g., 6 +, 4 +).",
    )
    player_range: str = Field(
        description="The number of players the toy is designed for (e.g., 2, 2-4, 1-6).",
    )
    material: str = Field(
        description="The primary material(s) the toy is made of (e.g., wood, cardboard).",
    )
    description: str = Field(
        description="A brief description of the toy and its components and dimensions.",
    )

结果

再次说明，我们的模式代表的是单个玩具产品，而非整个目录。系统将返回一个list[ToyCatalog]，每个玩具对应一个条目。

你可以在此处获取 Click-BS-Toys-Catalogue-2024.pdf

result = await llama_extract.aextract(
    data_schema=ToyCatalog,
    files="Click-BS-Toys-Catalogue-2024.pdf",
    config=ExtractConfig(
        extraction_mode=ExtractMode.PREMIUM,
        extraction_target=ExtractTarget.PER_TABLE_ROW,
        parse_model="anthropic-sonnet-4.5",
    ),
)

len(result.data)

result.data[:10]

    [{'section_name': 'Table Toys',
      'product_code': 'GA457',
      'toy_name': 'Dots and Boxes',
      'age_range': '6+',
      'player_range': '2',
      'material': 'wood',
      'description': 'base 17x17 cm\n50 border pieces 4x1,2x0,3 cm\n34 trees 2,6x1,4 cm'},
     {'section_name': 'Table Toys',
      'product_code': 'GA456',
      'toy_name': '3 In a Row',
      'age_range': '8+',
      'player_range': '2',
      'material': 'wood, pine, cardboard',
      'description': 'base 24x22,5x2,5 cm\n30 cards 5,5x5 cm\n6 chips'},
     {'section_name': 'Table Toys',
      'product_code': 'GA467',
      'toy_name': 'Which Cow am i?',
      'age_range': '6+',
      'player_range': '2',
      'material': 'wood, beech',
      'description': '2 cow bases 56x4x4,5 cm\n16 cards 4x5 cm'},
     {'section_name': 'Table Toys',
      'product_code': 'GA460',
      'toy_name': 'Balance Bunnies',
      'age_range': '4+',
      'player_range': '2',
      'material': 'wood',
      'description': '1 base 35x12x25 cm\n7 bunnies 7 foxes\n1 dice 3 cm'},
     {'section_name': 'Table Toys',
      'product_code': 'GA462',
      'toy_name': 'Color Combination Race',
      'age_range': '4+',
      'player_range': '2-4',
      'material': 'wood, cardboard',
      'description': 'base 6,5x6,5x15 cm, rings 5,5x5,5x0,5 mm\ncardholder 6x6x2 cm, cards 5,5x5,5 cm\ncolor cards Ø 15,5 cm - Ø 7 cm'},
     {'section_name': 'Table Toys',
      'product_code': 'GA465',
      'toy_name': 'Plop It',
      'age_range': '6+',
      'player_range': '2-4',
      'material': 'wood, elastic, cardboard',
      'description': 'Catch the right balls and plop them in the net!\n* 2 ploppers 8x5 cm\n* 2 net holders Ø 5cm, length 55 cm\n* 6 cards 1,5x2,5 cm, 30 balls Ø 2,5 cm\n* 1 rope 120 cm'},
     {'section_name': 'Table Toys',
      'product_code': 'GA466',
      'toy_name': 'Whack a Shape',
      'age_range': '4+',
      'player_range': '2-4',
      'material': 'wood',
      'description': '* base 38,5x15,5 cm\n* 2 stands 36 half balls, 4 hammers\n* 1 dice 2,5 cm\n* 4 cards'},
     {'section_name': 'Table Toys',
      'product_code': 'GA458',
      'toy_name': 'Sling Puck | Table Hockey',
      'age_range': '6+',
      'player_range': '2',
      'material': 'wood',
      'description': '* double sides base 39x21x3 cm\n* 10 chips Ø 2,5 cm\n* 2 pushers 4x4x3 cm'},
     {'section_name': 'Table Toys',
      'product_code': 'GA039',
      'toy_name': 'DIY Birdhouse',
      'age_range': '3+',
      'player_range': '1',
      'material': 'wood',
      'description': '* house 9x9x13 cm'},
     {'section_name': 'Table Toys',
      'product_code': 'GA319',
      'toy_name': 'Triangle Domino',
      'age_range': '6+',
      'player_range': '2-4',
      'material': 'wood',
      'description': '* 35 triangles 10x10 x10 cm'}]

成功！ 尽管采用半结构化格式，我们还是从目录中提取了所有152件玩具产品（附录部分有一个额外重复提取的玩具）。LlamaExtract自动检测到分隔每个玩具条目的视觉模式，并将我们的模式应用于每一个条目。

摘要

PER_TABLE_ROW 提取目标在从文档中提取重复的结构化实体方面非常强大。关键要点：

模式设计：为单个实体定义模式，而非整个文档。系统返回 list[YourSchema]。
支持多种格式：不仅限于传统表格——任何包含可区分重复实体（项目符号、编号、标题、视觉分隔等）的文档均可。通用要求是每个实体应在其本地上下文中包含模式所需的全部数据。
自动模式识别: LlamaExtract 识别区分实体的格式化模式，并将您的模式应用于每一个实体。