Document parser превращает документ в данные, с которыми может работать система. На входе может быть PDF, DOCX, скан, счет, акт, договор, письмо или форма. На выходе - текст, таблицы, ключевые поля, структура разделов и metadata.
Парсер не всегда равен OCR. OCR распознает текст на изображении или скане. Document parser идет дальше: понимает, где реквизиты, сумма, дата, номер договора, таблица позиций, подписи, страницы, заголовки и вложения.
Для AI-агентов parser часто стоит в начале процесса: принять документ, извлечь данные, проверить качество, классифицировать тип, найти дубли и решить, куда отправить документ дальше.
Хороший parser не просто выдает текст. Он возвращает structured output: поля с confidence score, ссылку на место в документе, исходный файл, тип документа, предупреждения и ошибки распознавания.
Если parser ошибся, дальше ломается весь workflow: неверный счет попадет в 1С, договор уйдет не тому юристу, RAG получит мусор, а агент уверенно ответит по неправильным данным. Поэтому критичные поля нужно валидировать и отправлять на approval при низкой уверенности.
Примеры
- Парсер счета извлекает номер, дату, ИНН, сумму, НДС, поставщика и таблицу позиций.
- Из договора parser достает стороны, срок действия, сумму, ответственность и спорные условия.
- Для PDF-инструкции parser выделяет заголовки, разделы и страницы перед document chunking.
- После OCR скана parser проверяет, какие поля распознаны уверенно, а какие нужно показать бухгалтеру.
- AI-агент получает письмо с вложением, парсер определяет тип документа и создает задачу ответственному.
- Для RAG parser сохраняет текст и metadata, чтобы потом можно было показать citation на исходный документ.
Где используется
- обработка входящих документов
- извлечение реквизитов из счетов и актов
- разбор договоров и юридических документов
- подготовка документов для RAG
- OCR и проверка сканов
- классификация типа документа
- извлечение таблиц из PDF
- валидация обязательных полей
- маршрутизация документов в 1С, CRM или ERP
- создание structured output для AI-агента
Связанные термины
Частые вопросы
Document parser и OCR - это одно и то же?
Нет. OCR распознает текст на изображении. Document parser извлекает структуру и поля: даты, суммы, реквизиты, таблицы, разделы и metadata.
Что должен возвращать хороший document parser?
Текст, таблицы, ключевые поля, тип документа, metadata, ссылку на исходник, confidence score и предупреждения по сомнительным местам.
Можно ли сразу записывать результат parser в учетную систему?
Только для надежных сценариев. Для денег, договоров, реквизитов и низкой уверенности лучше включать validation, approval и audit log.
Чем parser полезен для RAG?
Он готовит чистый текст, структуру, страницы, заголовки и metadata. Без этого document chunking и citations будут хуже.
Какие ошибки у document parser самые опасные?
Неверная сумма, дата, ИНН, сторона договора, номер документа, таблица позиций или потеря важного условия из-за плохого OCR.
Как проверять качество document parser?
Через эталонный dataset документов: сравнивать извлеченные поля с правильными, смотреть confidence, ошибки OCR, полноту таблиц и ручные исправления.
