- Categorias:
Funções de arquivo (funções de AI)
PARSE_DOCUMENT (SNOWFLAKE.CORTEX)¶
Nota
AI_PARSE_DOCUMENT é a versão mais recente dessa função. Use o AI_PARSE_DOCUMENT para obter a funcionalidade mais recente. Você pode continuar a usar o PARSE_DOCUMENT (SNOWFLAKE.CORTEX).
Retorna o conteúdo extraído de um documento em uma preparação Snowflake como uma string formatada como JSON. Esta função oferece suporte a 2 tipos de extrações, reconhecimento óptico de caracteres (OCR) e layout. Para obter mais informações, consulte AISQL AI_PARSE_DOCUMENT.
Sintaxe¶
SNOWFLAKE.CORTEX.PARSE_DOCUMENT( '@<stage>', '<path>', [ <options> ] )
Argumentos¶
Obrigatório:
stage
Nome do estágio Snowflake.
path
Caminho relativo para o documento no estágio Snowflake.
Opcional:
options
Um valor OBJECT que contém opções para análise de documentos. As chaves compatíveis são mostradas abaixo. Todas são opcionais.
'mode'
: especifica o modo de análise. Os modos compatíveis são:'OCR'
: a função extrai somente texto. É o modo padrão.'LAYOUT'
: a função extrai o layout e o texto, incluindo o conteúdo estrutural, como tabelas.
'page_split'
: se definido como TRUE, a função divide o documento em páginas e processa cada página separadamente. Somente documentos em PDF, PowerPoint (.pptx
) e Word (.docx
) são compatíveis. Os documentos em outros formatos retornam um erro. O padrão é FALSE.Dica
Para processar documentos longos que excedam o limite de token de PARSE_DOCUMENT, defina essa opção como TRUE.
Retornos¶
Um objeto JSON (como uma string) que contém os dados extraídos e os metadados associados. O argumento options
determina a estrutura do objeto retornado.
Dica
Para utilizar a saída em SQL, converta-a em um valor OBJECT usando a função PARSE_JSON.
Se a opção 'page_split'
estiver definida, a saída terá a seguinte estrutura:
"pages"
: uma matriz de objetos JSON, cada um contendo texto extraído do documento. Se o documento tiver apenas uma página, a saída ainda conterá uma matriz"pages"
(que contém um único objeto). Cada página tem os seguintes campos:
"content"
: texto simples (no modo OCR) ou texto formatado em Markdown (no modo LAYOUT).
"index"
: o índice da página no arquivo, começando em 0. Os números de página e os formatos de especificados no documento são ignorados.
"errorInformation"
: contém informações de erro se o documento não puder ser analisado.
"metadata"
: contém metadados sobre o documento, como contagem de páginas.Nota
Os campos
"pages"
e"metadata"
estarão presentes na saída quando a análise for bem-sucedida."errorInformation"
estará presente somente se a análise falhar.
Se 'page_split'
for FALSE ou não estiver presente, a saída terá a seguinte estrutura:
"content"
: texto simples (no modo OCR) ou texto formatado em Markdown (no modo LAYOUT).
"errorInformation"
: contém informações de erro se o documento não puder ser analisado.
"metadata"
: contém metadados sobre o documento, como contagem de páginas.Nota
Os campos
"content"
e"metadata"
estarão presentes na saída quando a análise for bem-sucedida."errorInformation"
estará presente somente se a análise falhar.
Exemplos¶
Modo OCR¶
SELECT TO_VARCHAR(
SNOWFLAKE.CORTEX.PARSE_DOCUMENT(
'@PARSE_DOCUMENT.DEMO.documents',
'document_1.pdf',
{'mode': 'OCR'})
) AS OCR;
Saída:
{
"content": "content of the document"
}
Modo LAYOUT¶
Este exemplo analisa um documento com uma tabela mostrada na captura de tela a seguir:

SELECT
TO_VARCHAR (
SNOWFLAKE.CORTEX.PARSE_DOCUMENT (
'@PARSE_DOCUMENT.DEMO.documents',
'document_1.pdf',
{'mode': 'LAYOUT'} ) ) AS LAYOUT;
Saída:
{
"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."
}
Dividir páginas¶
Este exemplo divide um documento de várias páginas em páginas separadas, que são processadas separadamente usando o modo 'OCR'
.
SELECT
TO_VARCHAR (
SNOWFLAKE.CORTEX.PARSE_DOCUMENT (
'@PARSE_DOCUMENT.DEMO.documents',
'document_1.pdf',
{'mode': 'OCR', 'page_split': TRUE} ) ) AS MULTIPAGE;
Saída:
{
"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
}
}
Limitações¶
As funções do Snowflake Cortex não são compatíveis com tabelas dinâmicas.