在GCP DocumentAI中能否通过API为导入文档添加文档类型标签？

你完全可以通过API批量为文档添加全局文档类型标签，支持导入时直接分配和导入后批量更新两种方式，以下是具体实现方法：

一、导入文档时分配标签 #

场景1：整批文档属于同一类型 #

如果单次导入的所有文档都属于同一个类型，可以在BatchDocumentsImportConfig中通过document_label统一设置标签，标签值需与你之前定义的dataset schema中的entity type名称一致：

import_documents_request = document_service_client.import_documents(
    documentai.ImportDocumentsRequest(
        dataset=f"{processor.name}/dataset",
        batch_documents_import_configs=[
            documentai.ImportDocumentsRequest.BatchDocumentsImportConfig(
                auto_split_config=documentai.ImportDocumentsRequest.BatchDocumentsImportConfig.AutoSplitConfig(
                    training_split_ratio=0.7
                ),
                # 为整批文档统一设置文档类型标签
                document_label=documentai.DocumentLabel(
                    label="test1"  # 对应schema中定义的entity type名称
                ),
                batch_input_config=documentai.BatchDocumentsInputConfig(
                    gcs_documents=documentai.GcsDocuments(
                        documents=[
                            documentai.GcsDocument(
                                gcs_uri="gs://path/to/test1_doc1.pdf",
                                mime_type="application/pdf",
                            ),
                            documentai.GcsDocument(
                                gcs_uri="gs://path/to/test1_doc2.pdf",
                                mime_type="application/pdf",
                            )
                        ]
                    )
                ),
            )
        ],
    ),
)

场景2：单批文档包含多种类型 #

如果单次导入的文档分属不同类型，可以在每个GcsDocument的labels字段中单独指定document_type标签：

import_documents_request = document_service_client.import_documents(
    documentai.ImportDocumentsRequest(
        dataset=f"{processor.name}/dataset",
        batch_documents_import_configs=[
            documentai.ImportDocumentsRequest.BatchDocumentsImportConfig(
                auto_split_config=documentai.ImportDocumentsRequest.BatchDocumentsImportConfig.AutoSplitConfig(
                    training_split_ratio=0.7
                ),
                batch_input_config=documentai.BatchDocumentsInputConfig(
                    gcs_documents=documentai.GcsDocuments(
                        documents=[
                            documentai.GcsDocument(
                                gcs_uri="gs://path/to/test2_doc1.pdf",
                                mime_type="application/pdf",
                                labels={"document_type": "test2"}
                            ),
                            documentai.GcsDocument(
                                gcs_uri="gs://path/to/test4_doc1.pdf",
                                mime_type="application/pdf",
                                labels={"document_type": "test4"}
                            )
                        ]
                    )
                ),
            )
        ],
    ),
)

二、导入后批量更新文档标签 #

如果文档已经导入但需要调整标签，可以使用update_dataset_documents API批量修改：

# 构造批量更新请求
update_request = documentai.UpdateDatasetDocumentsRequest(
    dataset=f"{processor.name}/dataset",
    document_updates=[
        documentai.DatasetDocumentUpdate(
            gcs_uri="gs://path/to/test1_doc1.pdf",
            document_label=documentai.DocumentLabel(label="test1")
        ),
        documentai.DatasetDocumentUpdate(
            gcs_uri="gs://path/to/test2_doc1.pdf",
            document_label=documentai.DocumentLabel(label="test2")
        )
    ]
)

# 执行更新操作
response = document_service_client.update_dataset_documents(update_request)

关键注意事项 #

• 所有标签名称必须与你之前通过API设置的dataset schema中的entity_type.name完全匹配（如test1、test2），否则会触发验证错误。
• 无论是导入时还是导入后设置的标签，都会作为自定义分类模型的训练依据，效果与控制台手动设置完全一致。

内容的提问来源于stack exchange，提问作者J L