От страницы к проверяемому ответу

PDF для LLM: найдите потерянный артикул

В учебном техническом задании есть текст, скан и таблица. Заголовки извлеклись, но артикул пропал, а количества поменялись местами. Проследите путь данных и решите, какой результат можно передать в заявку.

Практикум по обработке документов30 минут4 модуля8 вопросов
После курса

Что вы сможете сделать

  1. Обнаружить пропуск текста на смешанной странице и выбрать следующий шаг проверки.
  2. Отличить извлечение символов от восстановления порядка чтения и ячеек таблицы.
  3. Проверить, передан ли файл в запросе, и найти исходную страницу по PDF-цитате.
  4. Связать извлечённые артикул и количество с конкретной строкой исходного документа.
Модуль 1 из 4

Заголовок есть, артикула нет

Вам передали техническое задание: на странице видны заголовок и фотография этикетки. После извлечения остался только заголовок. Можно ли уже искать товар?

  • Извлечение текста читает символы, записанные в PDF как текст. OCR распознаёт символы на изображении. pypdf сам распознавание не выполняет.

    Проверить тезис: Извлечение текста из PDF 01

  • В учебной ситуации заголовок хранится текстом, а артикул MX-2048 — внутри картинки. Наличие заголовка в результате не подтверждает полноту извлечения. Вернитесь к изображению страницы и прочитайте артикул или проверьте результат OCR. Пропуск при извлечении не означает, что артикула нет в ТЗ.

    Проверить тезис: Извлечение текста из PDF 05

Модуль 2 из 4

Все числа на месте — заказ всё равно неверный

Представьте две строки: MX-2048 — 6 шт.; MX-4096 — 2 шт. Выгрузка содержит оба артикула и оба числа. Этого ещё недостаточно для заявки.

  • Порядок текста в файле может отличаться от порядка чтения страницы. В PyMuPDF можно запросить сортировку по расположению. Для двух колонок проверьте результат: читать сначала всю левую колонку и чередовать строки двух колонок — разные последовательности.

    Проверить тезис: Извлечение текста из PDF 03

  • При извлечении таблицы проверяйте границы ячеек и связь с заголовками. В учебной проверке правильны пары (MX-2048, 6) и (MX-4096, 2). После перестановки количеств все исходные значения сохранятся, но обе строки станут ошибочными.

    Проверить тезис: Извлечение текста из PDF 04

Модуль 3 из 4

Что действительно дошло до модели

Файл виден в интерфейсе приложения. Теперь проследите один конкретный запрос до сервиса, который должен ответить по документу.

  • В режиме PDF support Claude API обрабатывает текст и изображения страниц. Если приложение вместо PDF отправило только извлечённую строку, этот режим не восстанавливает отброшенную картинку. Проверяйте представление, переданное в запросе.

    Проверить тезис: PDF на входе LLM 01

  • В Files API загрузка и использование — два шага: идентификатор загруженного файла включают в блок документа в запросе Messages. Завершение ответа не удаляет файл. После удаления файл может ещё использоваться в уже начатой обработке; это не означает доступности для нового запроса.

    Проверить тезис: PDF на входе LLM 02 05

Модуль 4 из 4

Вернитесь от ответа к строке документа

Ответ с номером страницы выглядит убедительно. Проверьте, на что именно ведёт ссылка и подтверждает ли это место артикул и количество.

  • В PDF-цитатах Claude API начало диапазона включено, конец исключён; счёт страниц идёт с 1. Например, start_page_number=12 и end_page_number=13 указывают на одну страницу — двенадцатую в переданном PDF. Печатную нумерацию сверяйте с самим документом.

    Проверить тезис: PDF на входе LLM 04

  • В Claude API механизм Citations опирается на извлекаемый текст PDF. Для артикула на скане сохраняйте связь с исходной страницей и проверяйте символы по ней. В таблице сверяйте всю строку вместе с заголовками: цитата сама по себе не подтверждает связь артикула с количеством.

    Проверить тезис: PDF на входе LLM 03 · Извлечение текста из PDF 04

Финишная прямая

Проверьте инженерное мышление

Вопросы проверяют не память на аббревиатуры, а умение не делать лишних выводов.

01На странице PDF заголовок хранится текстом, а артикул — только в изображении без OCR-слоя. pypdf вернул заголовок без артикула. Какой шаг даст недостающие данные?
02В исходной таблице два артикула с разными количествами. Выгрузка сохранила оба артикула и оба числа, но могла поменять количества местами. Какая проверка обнаружит именно такую ошибку?
03Две независимые колонки нужно читать последовательно: сначала всю левую, затем всю правую. Сортировка извлечённого текста чередует их строки. Как подготовить текст для чтения?
04PDF загрузили в Claude Files API. В новом запросе Messages есть только текст «Найди артикул». Какое изменение даст модели доступ к этому документу?
05В PDF две первые страницы без печатных номеров; на третьей напечатано «1», далее нумерация непрерывная. Цитата Claude API: start_page_number=4, end_page_number=6. Какие печатные номера нужно проверить?
06PDF состоит из сканов без извлекаемого текста и передан через PDF support в Claude API. Что доступно в описанном режиме по документации, проверенной 24.10.2026?
07Файл удалили из Claude Files API во время обработки запроса Messages. Он уже недоступен через API. Что следует для нового запроса с этим файлом и для начатой обработки?
08В строке PDF указано: «SW-8; количество — 2 шт.; портов на устройство — 8; портов всего — 16». Выгрузка: «SW-8 — 16 шт.». Какую строку оставить в заявке на устройства?
Проверяемая база

Источники курса

Полные сведения о первоисточниках приведены один раз для всего курса. Под тезисами — ссылки на соответствующие утверждения Архивариума.

  • Официальная документация

    Extract Text from a PDF

    pypdf documentation · pypdf 5.0.0

    Why Text Extraction is hard; OCR vs Text Extraction. Чтение существующего текста и ошибки прежнего распознавания. Документация версии 5.0.0; локальная лаборатория использует 5.1.0.

    Открыть первоисточник
  • Официальная документация

    FAQ

    PyMuPDF documentation · Текущая документация PyMuPDF; проверена 24.10.2026

    Text Extraction; Table Extraction. Ограничения сортировки колонок и поиска таблиц без видимых линий.

    Открыть первоисточник
  • Официальная документация

    Appendix 1: Details on Text Extraction

    PyMuPDF documentation · Текущая документация PyMuPDF; проверена 24.10.2026

    Plain Text, BLOCKS, WORDS: порядок и координаты. Плавающая документация; установленную в лаборатории версию 1.25.5 проверяли отдельно.

    Открыть первоисточник
  • Официальная документация

    Page API

    PyMuPDF documentation · Текущая документация PyMuPDF; проверена 24.10.2026

    Page.find_tables; Table; Table.extract. Поиск таблиц и получение текста ячеек. Набор параметров текущего API не переносится целиком на версию лаборатории.

    Открыть первоисточник
  • Официальная документация

    PDF support

    Anthropic · Документация Claude API; проверена 24.10.2026

    How PDF support works; Process PDFs with Claude. Плавающая документация; способы передачи и обработка страниц. Не описание контура Delect.

    Открыть первоисточник
  • Официальная документация

    Files API

    Anthropic · Документация Claude API; проверена 24.10.2026

    How the Files API works; File lifecycle; File expiration. Загрузка, использование file_id и срок хранения — отдельные действия.

    Открыть первоисточник
  • Официальная документация

    Citations

    Anthropic · Документация Claude API; проверена 24.10.2026

    PDF documents; Citation indices. Цитирование извлечённого текста и полуоткрытые диапазоны страниц.

    Открыть первоисточник

Delect.ru — информационный справочник: сведения о ценах, наличии и брендах формируются из данных витрины для анализа и сравнения. Наличие по данным витрины лучше дополнительно уточнять у выбранного поставщика; перед закупкой обязательно ставьте резервы. Сервис не является посредником при сделке и не сторона договора; коммерческие условия согласуются напрямую с выбранным дистрибьютором. Обозначения брендов приводятся для идентификации предложений.

Подтвердите действие