如何在gcp document ai toolbox转换器中配置页码？

Question

我尝试在配置 JSON 中包含页码。我尝试了一些方法，但没有一个有效。查看GitHub页面上的转换器代码，我看到很多提到“page_number”，所以我认为这是可能的。

另外，有一些关于如何创建配置文件的文档吗？我只在 GitHub 页面上找到了一些示例。

我从要转换的原始 JSON 创建了一个中间 JSON 文件，以便更轻松地创建配置文件。我要转换的JSON是这样的（但我可以改变信息的位置）：

{
    "document": "document_name.pdf",
    "labels": [
        {
            "label": "label_1",
            "text": "some_text",
            "page": 1,
            "boundingBoxes": [
                0.11554117647058823,
                0.17014227068750512,
                0.32081176470588235,
                0.1710069997542349,
                0.32081176470588235,
                0.1818570739388864,
                0.11554117647058823,
                0.18099234487215662
            ]
        },
        {
            "label": "label_2",
            "text": "some_text",
            "page": 2,
            "boundingBoxes": [
                0.269359477124183,
                0.5985227851890204,
                0.386081045751634,
                0.5980899758112141,
                0.386081045751634,
                0.6102450429168925,
                0.269359477124183,
                0.6098081885916301
            ]
        }
    ]
}

我尝试了下面的配置文件，但总的来说，第 2 页或更多页面的边界框是在第一页上制作的。

{
    "entity_object":"labels",
    "page": {
        "pageNumber":"page"
    },
    "entity": {
        "type_":"label",
        "mention_text":"text",
        "normalized_vertices":{
            "type":"3",
            "unit":"normalized",
            "base":"boundingBoxes",
            "x":"x",
            "y":"y"
        }
    }
}

{
    "entity_object":"labels",
    "page": {
        "page_number":"page"
    },
    "entity": {
        "type_":"label",
        "mention_text":"text",
        "normalized_vertices":{
            "type":"3",
            "unit":"normalized",
            "base":"boundingBoxes",
            "x":"x",
            "y":"y"
        }
    }
}

{
    "entity_object":"labels",
    "entity": {
        "type_":"label",
        "mention_text":"text",
        "pageNumber":"page",
        "normalized_vertices":{
            "type":"3",
            "unit":"normalized",
            "base":"boundingBoxes",
            "x":"x",
            "y":"y"
        }
    }
}

{
    "entity_object":"labels",
    "entity": {
        "type_":"label",
        "mention_text":"text",
        "page_number":"page",
        "normalized_vertices":{
            "type":"3",
            "unit":"normalized",
            "base":"boundingBoxes",
            "x":"x",
            "y":"y"
        }
    }
}

Answer 1

我认为转换器当前不会从配置 JSON 或输入文件中读取页码。所以我认为按照当前的设计，所有实体都将显示在第一页上。

我一直在努力尝试重构转换器工具，使其支持更多用例和结构，但时间很难找到。

此目录中还有示例 config.json 文件作为示例

https://github.com/googleapis/python-documentai-toolbox/tree/main/samples/sample-converter-configs

并根据示例代码中的信息：

https://cloud.google.com/document-ai/docs/toolbox#third-party-conversion