之前写过好几篇合同关键信息提取的方法，今天给大家介绍一个实现最简单，效率也不错的方法。
财审同事需要对被审计单位销售合同、采购合同、工程承包合同、工程分包合同的关键信息进行提取。
一般来说，他们会把这项工作交给效率工具-“实习生”来完成。
但是架不住量大，实习生用起来也不划算。
之前我们介绍过使用 paddlepaddle 和 knowledge-table 来实现。
其中 paddlepaddle 对于有 N 卡的效率高。
但我现在使用的 Mac 电脑，我发现使用 ollama 来实现是效率和部署最方便的。
前不久， ollama 提供了结构化输出的示例，要实现这个需求就更简单了。
对于扫描件的 PDF ，有两个方式可以实现：
直接使用 ollama 支持的视觉模型识别，并输出为结构化数据。 先将 PDF OCR 识别为 txt 文本文件，再使用 ollama 大模型识别出关键信息输出为结构化数据。
对于方式1来说，比较适用单据类，如发票、车票、报关单、凭证等。优势是效果好，缺点是速度慢。
对于方式2来说，比较适用几乎全是文本类的文书，如合同等。优势是速度快。
因此，本篇我们介绍方式2.
从 PDF OCR 识别为文本文件，有很多软件可以实现。不过，在 Mac 电脑上我直到今天才找到最好用的。
这里暂且不赘述。
假设我们已经将 PDF 转成了 txt 文件，我们只需要从文本中利用 AI 大模型提取出关键信息。
我们根据 ollama 官网给的示例，找 chatgpt 给我们写代码：
它直接给我可用代码：
from ollama import chatfrom pydantic import BaseModelfrom typing import Optional# 定义一个模型来存储合同信息class Contract(BaseModel):contract_number: str # 销售合同或销售订单编号sign_date: str # 合同签订日期contract_term: str # 合同期限contract_type: str # 合同类型contract_subject: str # 合同标的payment_method: str # 付款方式settlement_basis: str # 结算依据quantity_tons: float # 数量（吨）unit_price_inclusive_tax: float # 单价（含税）amount: float # 金额transportation_party: str # 承担运输方# 准备合同文本contract_text = '''销售合同编号: 12345合同签订日期: 2024年10月15日合同期限: 1年合同类型: 销售合同合同标的: 商品A付款方式: 一次性支付结算依据: 按照发票结算数量（吨）: 500单价（含税）: 1000金额: 500000承担运输方: 卖方承担运输'''# 调用 Ollama 模型进行处理，提取合同信息response = chat(messages=[{'role': 'user','content': f"请提取以下合同的关键信息：\n{contract_text}",}],model='qwen2.5:7b-instruct',format=Contract.model_json_schema(),)# 解析返回的 JSON 数据为 Contract 对象contract_info = Contract.model_validate_json(response.message.content)# 打印提取的合同信息print(contract_info)
其中 contract_text 是模拟的合同文本。
执行代码结果：
contract_number='12345'sign_date='2024年10月15日'contract_term='1年'contract_type='销售合同'contract_subject='商品A'payment_method='一次性支付'settlement_basis='按照发票结算'quantity_tons=500.0unit_price_inclusive_tax=1000.0amount=500000.0transportation_party='卖方承担运输'
当然，要将上面代码转变成可用的，只需要写个循环读取指定文件夹所有 txt 文件，批量调用函数，
同时，最后将信息输出为 excel 就可以了。
上面我使用的大模型是 qwen2.5:7b-instruct ，只需要占用 4.7 GB 的显存，对于显存稍微够一点的都可以跑起来。
当然，对于方式2 直接使用视觉模型对 PDF 的图片进行识别的话，可以使用 llama3.2-vision ，=minicpm-v= ，
其中 minicpm-v 专门针对中文的。
假如，梳理合同以前需要 4-5 个实习生，那么通过上述方法只需要 1 个了，仅仅是对生成的结果进行人工复核修正。
