如何从DocumentAI OCR响应中提取块的行并添加标签与缩进标识

问题根源 #

你遇到的block['lines']访问报错，通常是两种原因：

• 若使用DocumentAI客户端库返回的Protobuf对象，需用属性访问而非字典索引（即block.lines而非block['lines']）
• 若解析的是JSON响应，需确认字段名是否为lines（注意大小写匹配DocumentAI JSON响应的字段格式）

实现方案 #

以下是完整代码示例，涵盖两种响应格式的处理，同时实现cluster编号、line编号及缩进特征识别：

1. 处理Protobuf响应（客户端库直接返回） #

from google.cloud import documentai_v1 as documentai

def process_documentai_response(document):
    page = document.pages[0]
    page_width = page.width  # 获取页面宽度用于缩进计算
    indent_threshold = page_width * 0.05  # 缩进阈值设为页面宽度的5%
    page_center = page_width / 2

    for cluster_idx, block in enumerate(page.blocks, start=1):
        # 标记cluster编号
        print(f"Cluster {cluster_idx}:")

        if not block.lines:
            print("  无行数据")
            continue

        for line_idx, line in enumerate(block.lines, start=1):
            # 标记line编号
            # 提取行边界框坐标
            vertices = line.bounding_poly.vertices
            line_left = vertices[0].x
            line_right = vertices[2].x
            line_center = (line_left + line_right) / 2

            # 判断缩进特征
            indent_type = "无缩进"
            if line_left > indent_threshold:
                indent_type = "左缩进"
            elif abs(line_center - page_center) < indent_threshold:
                indent_type = "居中"
            elif (page_width - line_right) > indent_threshold:
                indent_type = "右缩进"

            # 提取行文本
            line_text = "".join([token.text for token in line.tokens])
            print(f"  Line {line_idx}: {line_text} | 缩进类型: {indent_type}")

2. 处理JSON格式响应（已转成字典） #

import json

def process_documentai_json_response(json_doc):
    page = json_doc["pages"][0]
    page_width = page["width"]
    indent_threshold = page_width * 0.05
    page_center = page_width / 2

    for cluster_idx, block in enumerate(page["blocks"], start=1):
        print(f"Cluster {cluster_idx}:")

        # 检查lines字段是否存在
        if "lines" not in block or not block["lines"]:
            print("  无行数据")
            continue

        for line_idx, line in enumerate(block["lines"], start=1):
            vertices = line["boundingPoly"]["vertices"]
            line_left = vertices[0]["x"]
            line_right = vertices[2]["x"]
            line_center = (line_left + line_right) / 2

            indent_type = "无缩进"
            if line_left > indent_threshold:
                indent_type = "左缩进"
            elif abs(line_center - page_center) < indent_threshold:
                indent_type = "居中"
            elif (page_width - line_right) > indent_threshold:
                indent_type = "右缩进"

            line_text = "".join([token["text"] for token in line["tokens"]])
            print(f"  Line {line_idx}: {line_text} | 缩进类型: {indent_type}")

关键注意事项 #

• 若仍报错，先打印block的完整结构（print(block)或print(json.dumps(block, indent=2))），确认行数据所在的实际字段名
• 缩进阈值可根据手写信件的实际排版调整，避免误判
• 多页面场景需遍历document.pages而非仅取第一页

内容的提问来源于stack exchange，提问作者adeshina Ibrahim