Google Document AI表单解析器未返回所有页面entities问题咨询

我正在使用Google Document AI标准表单解析器处理一份60页的PDF文件，OCR结果仅在前几页返回了entities字段，其余页面的响应中未包含该字段。我未找到关于该字段的相关文档，想确认以下问题：

• 是否为非必返回字段？
• 是否有办法强制所有响应都包含该字段？
• 若无法强制，哪些类型的页面会触发entities检测（即页面需满足何种格式才会返回该字段）？

相关代码 #

gcs_docs = [
    documentai.GcsDocument(
        gcs_uri=input_file, 
        mime_type='application/pdf'
    )
]   

gcs_documents = documentai.GcsDocuments(documents=gcs_docs)
input_config = documentai.BatchDocumentsInputConfig(gcs_documents=gcs_documents)

gcs_output_config = documentai.DocumentOutputConfig.GcsOutputConfig(
    gcs_uri=output_file, 
    field_mask="text,entities,pages.pageNumber,pages.formFields",
    sharding_config={"pages_per_shard": 1, "pages_overlap": 0}
)    

解答 #

1. entities是非必返回字段：Document AI标准表单解析器只会在识别到符合条件的内容时才生成该字段，不会在所有页面的响应中默认包含。
2. 无法强制所有响应返回该字段：该字段的生成完全依赖模型对页面内容的识别结果，没有配置项可以强制触发它的生成。
3. 触发entities检测的页面格式：
   • 包含结构化/半结构化表单元素的页面，比如有明确键值对的字段（如姓名、电话、日期、地址等标识清晰的表单项）；
   • 具备标准化表单布局的页面，例如问卷、申请表、发票、合同中的表单区域、各类制式表格页面等；
   • 若页面为纯无结构文本（比如纯段落、无字段标识的页面），或内容不符合表单特征，解析器不会生成entities字段。

内容的提问来源于stack exchange，提问作者Emma