Dify +飞书多维表格: 实现一键识别票据到Execl表格

虽然前面实现了识别火车票和发票的信息,但是,输出的是text。使用还需要复制到表格中,可以更简单吗?

当然是可以,这篇文章教你:

​ 识别火车票,直接把信息录入:表格。一步到位。

最终效果:

一、飞书开发者注册

1.1 进入开发者平台,注册登陆:

地址: open.feishu.cn/app?lang=zh...

1.2 点击创建自建应用:

1.3: 创建完成后,展示如下:

1.4: 进入应用内:

1.5: 获取appid和App Secret:

1.6 开通权限:

按照图中:1-> 2->3 -> 4->5 .开通权限。

1.7 版本发布

1.7.1 点击创建版本:

1.7.2 填写版本信息:

1.7.4 发布:

1.8 进入飞书文档,创建多维表格:

这里很重要。一定要变更 存储位置。

选择创建空白的即可。修改名称,我这里是: 用于和dify关联

1.9 实现自建应用与飞书多维表格的联通。

1.9.1 进入创建的多维表格;

点击右上角... 。 选择更多,添加文档应用。按照下图:1,2,3 操作即可。

在搜索框中输入: 1.2 中创建的应用名称。搜索展示出来应用。然后点击应用。

1.9.2 权限配置: 可编辑。然后点击 添加。

添加完成后,就实现了刚才的应用与飞书多维表格的联通。

二、多维表格结合Dify

使用之前创建的票据识别工作流:

进入工作流的地址:

2.1 新增节点 【代码执行】:

在【 变量聚合器】 后面。

为的是把聚合后的数据处理一下,因为多维表格需要的是 json 数组。 我们的工作流输出的是: json 字符串。

配置节点信息:

处理数据的代码:

python 复制代码
import json def main(json_str):    
target_list = [] # 解析为字典或列表    
target_list.append(json_str) # 解析为字典或列表    parsed_list = [json.loads(item) for item in target_list]    
strt =json.dumps(parsed_list, ensure_ascii=False)   
return {'result': strt}

2.2 新增节点【新增多条记录】,在代码执行节点之后:

2.3 配置节点多维表格的信息:

这个插件需要几个关键参数:

  • app_token:就是多维表格链接 url。
  • table_id 或者 table_name:想要使用的数据表的 id。
  • 记录列表:要记录进表格中的内容,是一个列表结构。

依次去如下位置获得以上参数:

app_token

进入 1 中创建的多维表格。

图中:1 必须是base 的。后面2 就是 app_token, 3 就是 table_id

table_id 或者 table_name

上图中的3.

记录列表

通俗的讲,就是输入的内容格式 key-value , key 要和多维表格中的列明一致。

比如:火车票这个识别工作流

json 复制代码
[{  \"起始站\": \"兰州西\",  \"终点站\": \"北京西\",  \"车次\": \"G672\",  \"乘车日期\": \"2019年07月22日\",  \"出发时间\": \"07:56\",  \"票面价格\": \"二等座\",  \"身份证号\": \"\",  \"姓名\": \"\"}]

多维表格就要设计为:列名要和 json 数组中对象的属性对应。

配置好后,如下:

三、执行:

输入的信息如下

执行结果每一步都提示成功;

查看多维表格的数据:

表格中的数据和输入的信息一致。

完美结束。

相关推荐
DDDDDouble3 分钟前
<二>Sping-AI alibaba 入门-记忆聊天及持久化
java·人工智能
PyAIExplorer4 分钟前
图像处理中的插值方法:原理与实践
图像处理·人工智能
狗头大军之江苏分军14 分钟前
疑似华为盘古AI大模型翻车造假风波【实时记录篇】
人工智能·机器学习·程序员
Mr.Winter`15 分钟前
轨迹优化 | 基于激光雷达的欧氏距离场ESDF地图构建(附ROS C++仿真)
c++·人工智能·机器人·自动驾驶·ros·ros2·具身智能
机器之心1 小时前
刚刚,苹果基础模型团队负责人庞若鸣被Meta挖走!加入超级智能团队、年薪千万美元
人工智能
G.E.N.2 小时前
开源!RAG竞技场(2):标准RAG算法
大数据·人工智能·深度学习·神经网络·算法·llm·rag
西西弗Sisyphus2 小时前
如果让计算机理解人类语言- Word2Vec(Word to Vector,2013)
人工智能·word·word2vec
前端双越老师3 小时前
30 行代码 langChain.js 开发你的第一个 Agent
人工智能·node.js·agent
东坡肘子3 小时前
高温与奇怪的天象 | 肘子的 Swift 周报 #092
人工智能·swiftui·swift