使用Document AI自定义提取器自动标注时的Schema要求问题

问题场景 #

使用Google Cloud Document AI的Custom Extractor创建自定义提取器时，启用Auto-label自动标注功能（选择唯一可用版本pretrained-foundation-model-v1.0-2023-08-22）上传142份文档后，触发如下错误：

{
  "name": "projects/xxxxxxxxx/locations/xxxxxxx/operations/xxxxxxx",
  "done": true,
  "result": "error",
  "response": {},
  "metadata": {
        "@type": "type.googleapis.com/google.cloud.documentai.uiv1beta3.ImportDocumentsMetadata",
        "commonMetadata": {
          "state": "FAILED",
          "createTime": "202x-xxx-xxT01:xx:45.367220Z",
          "updateTime": "202x-xxx-xxT01:xx:57.243001Z",
          "resource": "projects/xxxxxxx/locations/xxxxxx/processors/xxxxxxxxx/dataset"
        },
        "totalDocumentCount": 142
      },
      "error": {
        "code": 3,
        "message": "No valid schema provided for processing.",
        "details": []
      }
    }

解决步骤 #

• 先创建并关联基础Schema
  Auto-label功能无法完全从零生成标签体系，必须依赖一个基础Schema作为框架。即使你希望系统自动生成所有标签，也要先创建一个最小化的Schema：

  1. 进入数据集管理的「Schema」选项卡
  2. 创建新Schema，至少添加1个合法字段（比如命名为temp_field，类型选文本即可）
  3. 确保Schema状态为「已启用」并关联到当前数据集

• 检查Schema的有效性
  如果已有Schema仍报错，排查以下细节：

  • 字段名不能包含特殊字符（如!@#$%），不能为空
  • 所有字段必须指定明确的类型（文本、日期、数值等，不能选「未知」）
  • 确认Schema的区域与数据集区域一致（比如都在us-central1）
  • 确保Schema已设置为「当前活跃版本」

• 重新执行上传流程

  1. 取消当前失败的上传任务，清理临时文档
  2. 确认Schema已正确关联到数据集后，重新勾选Auto-label选项
  3. 选择指定的基础模型版本，再次上传文档

内容的提问来源于stack exchange，提问作者tmighty