关于Google Document AI无法返回textStyle属性的技术咨询

textStyle属性是Document AI正式支持的功能，并非仅文档展示用途，返回为空通常由以下原因导致：

1. 处理器类型不匹配 #

只有特定类型的处理器会返回文本样式信息，基础OCR处理器不支持该特性。需在Cloud Console中创建并使用支持文本样式提取的处理器，例如：

• 进阶版OCR处理器（带样式提取的OCR Processor v1）
• 表单解析器（Form Parser）
• 文档理解类处理器

2. 未正确遍历文档结构获取textStyle #

你提供的示例代码仅打印了文档纯文本内容，而textStyle属性存储在文档的层级结构中（页面→块→段落→单词），需要逐层遍历才能获取。修改代码如下：

from google.api_core.client_options import ClientOptions
from google.cloud import documentai_v1 as documentai

def quickstart(
    project_id: str, location: str, processor_id: str, file_path: str, mime_type: str
):
    opts = ClientOptions(api_endpoint=f"{location}-documentai.googleapis.com")
    client = documentai.DocumentProcessorServiceClient(client_options=opts)
    name = client.processor_path(project_id, location, processor_id)

    with open(file_path, "rb") as image:
        image_content = image.read()

    raw_document = documentai.RawDocument(content=image_content, mime_type=mime_type)
    request = documentai.ProcessRequest(name=name, raw_document=raw_document)
    result = client.process_document(request=request)
    document = result.document

    # 遍历文档结构提取textStyle
    for page in document.pages:
        for block in page.blocks:
            for paragraph in block.paragraphs:
                for word in paragraph.words:
                    text_segment = document.text[word.start_index:word.end_index]
                    text_style = word.text_style
                    print(f"文本内容: {text_segment}")
                    print(f"字体大小: {text_style.font_size}")
                    print(f"加粗: {text_style.bold}")
                    print(f"斜体: {text_style.italic}")
                    print(f"下划线: {text_style.underline}")
                    print("---")

补充说明 #

• 扫描件（图像PDF）的样式信息由OCR识别生成，可能存在一定误差，但会正常返回；机器生成PDF的样式提取精度更高。
• 确保使用最新版本的Google Cloud Document AI Python客户端，避免因版本兼容问题导致属性缺失。

内容的提问来源于stack exchange，提问作者Ankit A