Кальтер / Блог

Как извлечь поля из нескольких документов с ИИ и сохранить ссылку на источник

Собери данные из нескольких счетов в единую схему, привяжи каждое поле к странице и фрагменту, оставь пропуски пустыми и пересчитай итоги по валютам отдельно.

Материал подготовлен с помощью ИИ; источники и учебные примеры проверены редакцией ZASLON. OCR на реальных документах не тестировался.

Редакционная схема: Из документов — в таблицу. Условные обозначения, не скриншот сервиса или реальной операции.
Редакционная схема: Из документов — в таблицу. Условные обозначения, не скриншот сервиса или реальной операции.

Если нужно свести несколько счетов или накладных в одну таблицу, задавай единую схему полей и требуй для каждого значения точный локатор: документ, страницу и короткий фрагмент для каждого непустого поля. Пустое поле должно оставаться пустым или иметь статус «не найдено»; модель не должна достраивать номер по соседним строкам. Итоговые суммы сверяй самостоятельно, отдельно по каждой валюте.

Ни структурированный JSON, ни ссылка на страницу не доказывают точность распознавания. OpenAI Structured Outputs помогает ограничить форму ответа поддерживаемой JSON Schema, но не подтверждает истинность значений. Для одиночного документа см. также как разбирать PDF нейросетью — эта статья расширяет процесс до однотипной таблицы из нескольких источников. Пример ниже синтетический; OCR провайдера не тестировался.

Сначала задай схему

Для каждой строки сохраняем исходный идентификатор документа, дату, сумму, валюту, страницу и статус подтверждения. Номер документа допускает null, если его нет на странице. У каждой найденной суммы должны быть текстовый фрагмент и локатор; если их нельзя указать, значение не считается подтверждённым.

{
  "document_id": "INV-A",
  "invoice_number": "A-104",
  "date": "2026-10-02",
  "amount": "1250.00",
  "currency": "RUB",
  "field_sources": {
    "invoice_number": {"page": 1, "quote": "Документ A-104"},
    "date": {"page": 1, "quote": "от 02.10.2026"},
    "amount": {"page": 1, "quote": "Итого к оплате: 1 250,00 RUB"},
    "currency": {"page": 1, "quote": "RUB"}
  },
  "status": "needs_human_check"
}

Это формат иллюстрации, не готовая обязательная схема API. Уточни типы, обязательные поля и разрешённые значения в выбранном инструменте. Для финансовых документов строка суммы безопаснее двоичного числа с плавающей точкой; не смешивай валюты при суммировании.

Готовый промпт для трёх документов

Скопируй запрос целиком, вставь текст трёх документов в обозначенные места и используй только там, где у тебя есть разрешение обрабатывать эти данные:

Извлеки поля из каждого документа отдельно. Не угадывай отсутствующие значения. Верни JSON-массив из объектов по схеме: document_id (строка из заданного ID), invoice_number (строка или null), date (YYYY-MM-DD или null), amount (десятичная строка или null), currency (код валюты или null), field_sources (объект с полями invoice_number/date/amount/currency; для каждого непустого значения обязательны page и quote с точным фрагментом, для отсутствующего значения — объект {page: null, quote: ""}), status (needs_human_check, not_found или unreadable). Если номер не виден, верни null и not_found; не восстанавливай его по сумме/имени файла. Для даты, суммы и валюты процитируй исходный фрагмент. Не суммируй валюты и не делай вывод о подлинности счёта. Документ INV-A, стр. 1: «Документ A-104 от 02.10.2026. Итого к оплате: 1 250,00 RUB». Документ INV-B, стр. 1: «Счёт B-27 от 04.10.2026. Total: 80.00 USD». Документ INV-C, стр. 1: «Дата: 05.10.2026. К оплате: 430,00 RUB». Верни только JSON.

Промпт — стартовая инструкция, а не гарантия валидной схемы. Если инструмент поддерживает JSON Schema, задай её отдельно; затем вручную проверь каждое поле quote и тип поля.

Учебные документы и извлечённые записи

Ниже три полностью вымышленные накладные, каждая с одной страницей. Мы вручную задаём наблюдаемый фрагмент, который должен поддерживать извлечённое поле:

  • INV-A, стр. 1: «Документ A-104 от 02.10.2026. Итого к оплате: 1 250,00 RUB».
  • INV-B, стр. 1: «Счёт B-27 от 04.10.2026. Total: 80.00 USD».
  • INV-C, стр. 1: «Дата: 05.10.2026. К оплате: 430,00 RUB». Номер на видимой странице отсутствует.

Ожидаемая учебная таблица:

Документ Номер Дата Сумма Валюта Страница/подтверждающие фрагменты по полям Статус
INV-A A-104 2026-10-02 1250.00 RUB стр. 1: для amount: «Итого к оплате: 1 250,00 RUB»; для invoice_number: «Документ A-104» сверить с оригиналом
INV-B B-27 2026-10-04 80.00 USD стр. 1: для amount: «Total: 80.00 USD»; для invoice_number: «Счёт B-27» сверить с оригиналом
INV-C null 2026-10-05 430.00 RUB стр. 1: для amount: «К оплате: 430,00 RUB»; номера на странице нет номер не найден

null в INV-C не ошибка заполнения. Это точное отражение того, что номер не виден в заданном источнике. Не подставляй C-430 из суммы, имени файла или собственной догадки.

Сквозной процесс

  1. Подготовь набор. Раздели документы на отдельные файлы, задай стабильные ID INV-A…INV-C и сохрани исходные копии. Удали или замаскируй лишние персональные данные, если у тебя нет основания передавать их выбранному провайдеру.
  2. Определи поля и пропуски. Запиши названия, типы, разрешённые валюты, правила даты и обозначение отсутствующего поля. Не проси модель «заполнить все пустоты».
  3. Передай документ и схему разрешённым инструментом. Убедись, что выбранный продукт действительно принимает нужный формат и что настройки хранения/доступа подходят. Не загружай конфиденциальные файлы в случайный онлайн-декодер.
  4. Требуй источник на каждое значение. Для суммы, даты, номера и валюты заполняй отдельные page и quote в field_sources на каждое поле. Для invoice_number при отсутствии печатного номера верни null и not_found.
  5. Сверь строку с исходником. Открой конкретную страницу, проверь цифры, запятую/точку, знак, валюту и контекст (например, итог ли это, а не промежуточная сумма). Локатор делает проверку быстрее, но не выполняет её за тебя.
  6. Посчитай итоги только после проверки. В нашем учебном примере: RUB = 1 250,00 + 430,00 = 1 680,00 RUB; USD = 80,00 USD. Это два независимых итога. Их нельзя складывать в одну цифру без явно заданного курса и времени конвертации.
  7. Сохрани происхождение. Экспортируй таблицу вместе с ID источника, страницей, фрагментом и статусом ручной проверки. Если исходный PDF заменили, повторно проверь связанные строки.

Проверка качества и исправление ошибок

Для каждой записи отметь пять пунктов: сумма совпадает с изображением/текстом; единица и валюта сохранены; дата не перепутана с датой платежа; цитата действительно находится на указанной странице; пропуск не заполнен догадкой. Можно рассчитать долю подтверждённых значений как «число непустых значений, подтверждённых по оригиналу / число извлечённых непустых значений», но не называй её точностью OCR без полного протокола оценки.

Пример ошибки: система возвращает INV-C номер C-430. В источнике этого номера нет, хотя сумма совпадает. Исправление: номер становится null, статус — not_found; сумма остаётся на ручной сверке. Если страница плохо отсканирована или текст неразборчив, используй статус unreadable/аналогичный, а не делай вывод «данных нет».

Если API поддерживает строгий режим схемы, он может помочь поймать неправильную форму объекта — например, строку вместо числа или отсутствующий ключ. Он не проверяет, что 1250.00 действительно написано в счёте. Отдельно проверяй извлечение и соответствие формату.

Частые ошибки и стоп-условия

  • Нет ссылки на страницу или фрагмента. Не включай значение в подтверждённую таблицу; запроси повторное извлечение или проверь вручную.
  • Сумма без валюты. Не угадывай по языку документа. Оставь запись неподтверждённой.
  • Смешаны дата документа и срок оплаты. Храни раздельные поля, если оба нужны.
  • Номер придуман по шаблону. Возвращай пустое значение и статус отсутствия.
  • Итоги разных валют объединены. Суммируй отдельно; для пересчёта нужны курс, источник курса и timestamp.
  • Чувствительный оригинал передан без проверки условий. Остановись и выясни, разрешена ли такая обработка политикой компании и выбранного сервиса.

Когда все строки ведут к конкретным страницам, все исходные суммы подтверждены, а итоги пересчитаны отдельно по валютам, таблица готова к следующему ручному этапу. Это не бухгалтерское утверждение и не гарантия точности модели: оригинал остаётся источником истины.

Материал подготовлен с помощью ИИ. Учебные документы и суммы вымышлены; точность OCR не тестировалась. Ещё по теме: как сравнить версии документа.