将文档导出到 Document AI Workbench

注意：Document AI Warehouse 已弃用， Google Cloud 2025 年 1 月 16 日之后将不再在上提供。为保护您的数据，请将目前保存在 Document AI Warehouse 中的所有文档迁移到 Cloud Storage 等替代方案。 请在终止服务日期之前验证数据迁移是否已完成，以防数据丢失。如需了解详情，请参阅弃用。

预览

此功能受服务专用条款的“通用服务条款”部分中的“非正式版产品条款”的约束。 非正式版功能“按原样”提供，可能只能获得有限的支持。 如需了解详情，请参阅 发布阶段说明。

本文档介绍如何将文档从 Document AI Warehouse 导出到 Document AI Workbench 中自定义文档提取器 (CDE) 的数据集。

CDE 可让用户创建文档提取器。用户将文档导入到处理器数据集，然后为文档添加标签，再训练模型。当用户将所选文档导出到 CDE 的数据集时，他们可以通过管理或搜索 Document AI Warehouse 中的文档来构建数据集。

在 Document AI Workbench 中创建 CDE

如需了解有关如何创建 CDE 的完整说明，请参阅此官方 指南。本指南重点介绍了一些关键步骤。

从处理器列表中创建 CDE

1. 前往我的处理器 页面，然后点击创建自定义处理器：

   

2. 在自定义文档提取器 卡片上，选择创建处理器 ：

   

3. 输入显示名称，然后点击创建：

   

CDE 应该会很快创建完成。

设置 CDE 的数据集

1. 在处理器详情页面上，点击设置数据集位置：

   

2. 指定用于存储数据集中的文档的存储桶路径：

   

   完成配置需要几分钟时间。之后，您可以在详情页面中看到存储桶路径和计数：

   

   您需要上面的处理器 ID 才能触发导出到 Workbench 流水线。

触发导出到 Workbench 流水线

1. 选择要导出的文档，然后在操作栏上点击导出到 Document AI Workbench ：

   

   注意： 目前，所选文档的数量上限为 3,000。如果搜索结果中的文档数量超过 3,000，则选择所有搜索结果 处于停用状态。请细化搜索条件或过滤条件，以减少搜索结果中的文档数量。

2. 输入输入参数，然后通过从 CDE 复制处理器 ID 并将其粘贴到对话框中来触发流水线。

   您需要一个暂存存储桶路径，以便在导出文档之前暂时存储文档。借助数据拆分 ，用户可以将文档随机放入训练集或测试集中。拆分比例基于此值。

   

   点击导出 后，流水线作业将被触发。

3. 跟踪状态。

   触发流水线后，系统会显示状态跟踪页面。目前，该页面没有正在进行中的跟踪。在作业完成之前，状态页面会显示“待处理”。

   

4. 查看结果。

   1. 作业完成后，您可以看到成功处理的文档和失败的文档。

      

   2. 如需检查文档是否已正确导出，请返回到 CDE 的详情页面：

      

   3. 如果您在流水线执行之前打开了该页面，请刷新该页面以查找更新后的统计信息。训练集和测试集的分布基于数据拆分比例。

   4. 如需查看文档的详细信息，请前往训练 标签页：

      

下一步

详细了解 runPipeline API。