Обычный процесс выглядит так: принять файл, определить тип, распознать текст через OCR при необходимости, выделить страницы и блоки, извлечь таблицы и поля, нормализовать данные, оценить confidence и сохранить результат в Document Store или передать дальше в workflow.
Парсинг документов отличается от простого OCR. OCR отвечает на вопрос "какой текст написан на изображении". Парсинг отвечает шире: где реквизиты, где таблица, какая дата относится к счету, какие пункты договора важны, где заголовки и какие metadata нужны для поиска.
В AI-агентах парсинг часто стоит перед RAG, бухгалтерской обработкой, юридической проверкой или внутренним поиском. Если на этом этапе потерялась таблица, перепуталась дата или исчезла страница, дальше агент будет уверенно работать с плохими данными.
Поэтому хороший parsing pipeline должен сохранять исходник, показывать сомнительные места, возвращать structured output, связывать поля с местом в документе и отправлять рискованные случаи на approval.
Примеры
- PDF-счет проходит parsing: система извлекает номер, дату, сумму, НДС, ИНН и таблицу позиций.
- Скан акта сначала проходит OCR, затем парсер выделяет контрагента, реквизиты и подписи.
- Договор разбирается на разделы, стороны, сроки, суммы, ответственность и спорные условия.
- Документы из Google Drive превращаются в chunks с metadata для RAG и citations.
- AI-агент получает письмо с вложением, определяет тип документа и создает задачу бухгалтеру.
- Если confidence по сумме низкий, документ не загружается в 1С автоматически, а уходит на проверку.
Где используется
- подготовка документов для RAG
- обработка PDF, DOCX и сканов
- извлечение реквизитов из счетов и актов
- разбор договоров и юридических документов
- распознавание таблиц в документах
- обработка входящих документов
- создание structured output
- поиск по базе знаний
- передача данных в 1С, CRM или ERP
- валидация полей и контроль качества
Связанные термины
Частые вопросы
Парсинг документов и OCR - это одно и то же?
Нет. OCR распознает текст на изображении или скане. Парсинг документов извлекает структуру, таблицы, поля, metadata и связи между частями документа.
Что должен возвращать результат document parsing?
Текст, страницы, блоки, таблицы, ключевые поля, metadata, тип документа, confidence score, предупреждения и ссылки на места в исходном файле.
Почему parsing важен для RAG?
RAG ищет по подготовленным chunks. Если документ плохо разобран, chunks будут грязными, citations неточными, а ответы агента хуже.
Можно ли полностью автоматизировать парсинг первички?
Можно для типовых документов с хорошим качеством, но суммы, реквизиты, новые контрагенты, дубли и низкий confidence лучше отправлять на approval.
Какие ошибки document parsing самые частые?
Потерянные страницы, сломанные таблицы, неверные даты, перепутанные суммы, плохой OCR, смешанные колонки и отсутствие связи с исходным документом.
Как проверять качество парсинга документов?
Нужен эталонный набор документов: сравнивают извлеченные поля, полноту таблиц, качество OCR, citations, confidence и количество ручных исправлений.
