PARSE_DOCUMENT （SNOWFLAKE.CORTEX）¶

構文¶

SNOWFLAKE.CORTEX.PARSE_DOCUMENT( '@<stage>', '<path>', [ <options> ] )

引数¶

必須：

stage

Snowflakeステージの名前。

path

Snowflakeステージ上のドキュメントへの相対パス。

オプション：

options

ドキュメントを解析するためのオプションを含む OBJECT 値。サポートされているキーは以下のとおりです。すべてオプションです。

• 'mode':解析モードを指定します。サポートされているモードは次のとおりです。

  • 'OCR':関数はテキストのみを抽出します。これがデフォルトのモードです。

  • 'LAYOUT':関数は、テーブルなどの構造化されたコンテンツを含むレイアウトとテキストを抽出します。

• 'page_split':TRUE に設定されている場合、関数はドキュメントをページに分割し、各ページを個別に処理します。PDF、 PowerPoint（.pptx）、およびWord（.docx）ドキュメントのみがサポートされています。他の形式のドキュメントはエラーを返します。デフォルトは FALSE です。

  Tip

  PARSE_DOCUMENT のトークン制限を超える長いドキュメントを処理するには、このオプションを TRUE に設定します。

戻り値¶

抽出されたデータと関連するメタデータを含む JSON オブジェクト（文字列として）。options 引数は、返されるオブジェクトの構造を決定します。

'page_split' オプションが設定されている場合、出力は次のような構造になります。

• "pages":JSON オブジェクトの配列。それぞれにドキュメントから抽出されたテキストが含まれます。ドキュメントが1ページのみである場合、出力には引き続き "pages" 配列（単一のオブジェクトを含む）が含まれます。各ページには以下のフィールドがあります。

  • "content":プレーンテキスト（OCR モード）またはMarkdown形式のテキスト（LAYOUT モード）。

  • "index":0から始まるファイルのページインデックス。ドキュメントで指定されたページ番号と形式は無視されます。

• "errorInformation"：ドキュメントが解析できない場合のエラー情報が含まれます。

• "metadata":ページ数など、ドキュメントに関するメタデータが含まれます。

注釈

"pages" フィールドおよび "metadata" フィールドは、解析が成功すると出力に表示されます。"errorInformation" は、解析が失敗した場合にのみ表示されます。

'page_split' が FALSE の場合、または存在しない場合、出力は次の構造になります。

• "content":プレーンテキスト（OCR モード）またはMarkdown形式のテキスト（LAYOUT モード）。

• "errorInformation"：ドキュメントが解析できない場合のエラー情報が含まれます。

• "metadata":ページ数など、ドキュメントに関するメタデータが含まれます。

注釈

"content" フィールドおよび "metadata" フィールドは、解析が成功すると出力に表示されます。"errorInformation" は、解析が失敗した場合にのみ表示されます。

例¶

SELECT TO_VARCHAR(
    SNOWFLAKE.CORTEX.PARSE_DOCUMENT(
        '@PARSE_DOCUMENT.DEMO.documents',
        'document_1.pdf',
        {'mode': 'OCR'})
    ) AS OCR;

{
    "content": "content of the document"
}

LAYOUT モード¶

この例では、以下のスクリーンショットに表示されている表を含むドキュメントを解析します。

SELECT
  TO_VARCHAR (
    SNOWFLAKE.CORTEX.PARSE_DOCUMENT (
        '@PARSE_DOCUMENT.DEMO.documents',
        'document_1.pdf',
        {'mode': 'LAYOUT'} ) ) AS LAYOUT;

Copy

出力:

{
  "content": "# This is PARSE DOCUMENT example
     Example table:
     |Header|Second header|Third Header|
     |:---:|:---:|:---:|
     |First row header|Data in first row|Data in first row|
     |Second row header|Data in second row|Data in second row|

     Some more text."
 }

SELECT
  TO_VARCHAR (
    SNOWFLAKE.CORTEX.PARSE_DOCUMENT (
        '@PARSE_DOCUMENT.DEMO.documents',
        'document_1.pdf',
        {'mode': 'OCR', 'page_split': TRUE} ) ) AS MULTIPAGE;

{
  "pages": [
    {
      "content": "content of the first page",
      "index": 0
    },
    {
      "content": "content of the second page",
      "index": 1
    },
    {
      "content": "content of the third page",
      "index": 2
    }
  ],
  "metadata": {
    "pageCount": 3
  }
}