文档类型

文档类型指的是对文档逻辑类型的定义，不同的业务流程必须对其进行处理。

什么是文档类型？它可以包含什么？

文档类型包括发票、医疗记录、IRS W-2 表、合同等。除了名称、组和类别外，文档类型通常还包含字段集合。

例如，发票通常包含以下信息：

• 供应商名称、供应商地址、账单名称、账单邮寄地址
• 发票编号、采购订单编号、付款条款、到期日期
• 净额、税额、折扣、总金额
• 增值税号、增值税税率
• 银行账号、银行名称、SWIFT、IBAN

图 1. 发票示例

文档类型格式

文档类型可以根据其格式进行分类。部分文档类型包含高度结构化的内容，而其他文档类型则主要包含自由文本。

文档分为三种主要格式：

• Structured
• 半结构化
• 非结构化

注意：文档通常可以是这三个类别的组合。文件可以包含结构化标题，后跟非结构化的自由格式内容。其中还可以包含具有特定信息的非结构化内容，这些信息始终显示在结构化程度很高或重复的上下文中。

结构化文档

结构化文档包括：

• 调查
• 调查问卷
• 税表
• 护照
• 许可证
• 时间表

这些文档旨在以特定格式收集信息。它们通常包含键值对、表格、手写文本、签名和复选框。这些文档通过提供输入每项数据的精确区域来指导用户。此类文档通常称为表单，用于收集低多样性数据。

图 2. 驾驶证，结构化文档示例

半结构化文档

半结构化文档不遵循严格格式（如结构化表单），并且不绑定到指定的数据字段。这些活动没有固定的形式，但遵循足够通用的格式。它们包含固定部分和可变部分，例如表格。它们也可能包含段落，但主要在键值对中找到相关数据。半结构化文档包括：

• 发票
• 收据
• 订单
• 医疗保健实验室报告
• 银行对账单
• 水电费

图 3. 发票，半结构化文档示例

非结构化文档

非结构化文档是不遵循特定或组织模型的文件。它们没有固定格式，并且其中包含的信息通常以非结构化方式呈现，使机器人难以处理。虽然人类可以轻松理解这些文档，但对于机器来说，解读这些数据可能具有挑战性。非结构化文档可以采用多种形式，包括：

• 合同
• 租约
• 年度报告
• 协议
• 新闻文章

图 4. 许可协议，非结构化文档示例