Python开发：序列化/反序列化DocumentAI的Document对象需自行编写.proto吗？

不需要自行编写.proto文件，Google官方已提供现成的Protocol Buffers定义，且Python SDK中已封装好对应工具，直接用即可。

具体实现方式 #

• 利用google.cloud.documentai库的原生方法：Document对象本身支持Protobuf序列化与反序列化
  • 序列化：调用Document对象的SerializeToString()方法，将对象转为二进制Protobuf格式，可保存到文件或缓存
  • 反序列化：使用Document.FromString()方法，从二进制数据恢复出Document对象
• 若使用documentai-toolbox的Document包装类，可先通过包装类的document属性获取底层原生Document实例，再执行上述序列化/反序列化操作

示例代码 #

from google.cloud import documentai_v1 as documentai
from google.cloud.documentai_toolbox.wrappers.document import Document as ToolboxDocument

# 假设已通过API获取toolbox的Document对象
toolbox_doc = ToolboxDocument.from_document_path(...)

# 序列化：将原生Document转为二进制
native_doc = toolbox_doc.document
serialized_data = native_doc.SerializeToString()

# 保存到本地文件（可选）
with open("document_cache.bin", "wb") as f:
    f.write(serialized_data)

# 反序列化：从二进制数据恢复Document
with open("document_cache.bin", "rb") as f:
    serialized_data = f.read()
restored_native_doc = documentai.Document.FromString(serialized_data)

# 转回toolbox的Document对象（按需使用）
restored_toolbox_doc = ToolboxDocument(document=restored_native_doc)

注意事项 #

• 确保安装兼容版本的依赖：google-cloud-documentai和google-cloud-documentai-toolbox
• 序列化后的二进制数据体积小、解析快，适合本地存储或缓存，能有效减少重复调用DocumentAI API的次数

内容的提问来源于stack exchange，提问作者anonaka