批量提取 S3 钻孔资料中的编号和孔深¶

MOI 支持通过标准 S3 连接器批量导入对象存储中的工程文件，并使用信息提取工作流将 PDF、扫描件和图片中的关键字段转换为结构化结果。整个过程可以直接处理 S3 中的一批文件，无需逐份下载和整理。

本教程以钻孔柱状图为例，从 3 份 PDF 中提取钻孔编号和孔深，并将结果保存为 JSON。

完成后，MOI 会在 Catalog 中为每份完整文件生成一份 JSON：

{
  "hole_id": "DEMO-ZK-001",
  "depth": "35.8m"
}

为了方便说明操作流程，本教程提供 3 份工程文档示例文件。实际使用时，可以直接处理自己 S3 文件夹中的工程文件。

整个操作预计约 30 分钟。文件解析时间会随文件数量变化。

你将完成什么¶

连接存放工程文件的 S3 文件夹；
将一批 PDF 导入 MOI Catalog；
创建信息提取工作流；
批量提取钻孔编号和孔深；
在结果数据卷中查看结构化 JSON。

开始前准备¶

准备一个 MOI 账号，可前往 MOI 云端登录/注册；
准备 S3 Endpoint、Bucket、文件路径、Access Key ID 和 Access Key Secret。

为了方便完成教程，我们提供了 S3 工程文档示例包。您可以使用样例文件跟随教程操作；实际使用时，直接选择自己 S3 文件夹中的工程文件。

示例文件包括：

文件	用途
`demo-borehole-log-001.pdf`	提取钻孔编号 `DEMO-ZK-001` 和孔深 `35.8m`
`demo-borehole-log-002.pdf`	提取钻孔编号 `DEMO-ZK-002` 和孔深 `48.2m`
`demo-borehole-log-missing-depth.pdf`	未填写孔深的钻孔记录示例

操作步骤¶

1. 连接 S3¶

登录 MOI，在左侧导航的 数据连接 中选择 连接器。
点击 新建连接器，将连接器名称填写为 conn_s3。
类型选择 对象存储 > 标准 S3，用途选择导入。

填写以下连接信息：

字段	填写内容
Endpoint	S3 API 地址，包含协议和端口
AccessKey ID	可读取测试文件夹的 Access Key
AccessKey Secret	与 AccessKey ID 对应的 Secret Key
文件路径	`<bucket>/<测试文件夹>/`，不填写 `s3://`
S3 地址风格	MinIO 通常选择 Path Style
地区	表单要求时填写 S3 配置的 Region

点击 测试连接。连接成功后，点击确定。

返回连接器列表，确认 conn_s3 的状态为 已连接。

2. 批量导入工程文件¶

在左侧导航的 数据连接 中选择 导入任务。
点击 新建导入任务，选择 非结构化。
数据来源选择 连接器源，然后选择 conn_s3。
将导入方式设置为 一次性。
在目标位置中选择当前工作区的 Catalog，并将文件导入以下位置：
```
<当前工作区 Catalog> / tutorial_data / excel_analysis / incoming
```
其中，tutorial_data 是目录，excel_analysis 是数据库，incoming 是保存原始文件的数据卷。如果尚未创建，可以在选择目标位置时依次新建。
在导入文件列表中选择存放待处理工程文件的 S3 文件夹。
保持其余配置为默认值，点击 创建并开始导入。

等待导入任务状态变为 已完成。

导入完成后，可以在 资源中心 > Catalog > tutorial_data > excel_analysis > incoming 中看到本次导入的工程文件。

3. 创建信息提取工作流¶

先在 资源中心 > Catalog > tutorial_data > excel_analysis 下创建结果数据卷 extracted，用于保存提取结果。

结果位置为：

<当前工作区 Catalog> / tutorial_data / excel_analysis / extracted

然后创建工作流：

在左侧导航的 数据处理 中选择 工作流。
点击 创建工作流。
找到 解析信息提取 模板，点击 使用模板。

将工作流名称填写为 engineering_document_extraction。
按下面的顺序完成运行配置。

选择 Catalog 数据源¶

在运行配置的 Catalog 数据源 中进行以下设置：

计算资源：保持 跟随工作流默认；
源文件：选择导入后的数据卷：

tutorial_data / excel_analysis / incoming

文件范围：选择 按文件，然后选中本次需要处理的 3 份 PDF。

配置结构化抽取¶

在运行配置的 结构化抽取 中进行以下设置：

计算资源：保持 跟随工作流默认；
多模态提取模型：选择当前工作区可用的 VL 模型，例如 Genesis / qwen-vl-max（系统默认）；
提取字段定义：选择 JSON 配置，将以下 JSON Schema 粘贴到输入框中：

{
  "type": "object",
  "properties": {
    "hole_id": {
      "type": "string",
      "description": "钻孔编号。移除 OCR 产生的多余空格，但保留编号中的连字符。"
    },
    "depth": {
      "type": "string",
      "description": "终孔孔深，保留数值和单位 m，并移除数值与单位之间的空格。"
    }
  },
  "required": ["hole_id", "depth"]
}

保存至 Catalog¶

在运行配置的 保存至 Catalog 中进行以下设置：

计算资源：保持 跟随工作流默认；
输出位置：选择用于保存结构化提取结果的数据卷：

tutorial_data / excel_analysis / extracted

完成配置后，点击确认。

4. 保存并运行工作流¶

点击 保存并启用。
在工作流页面点击运行。
确认输入位置为 incoming，输出位置为 extracted。
开始运行后，在工作流页面右侧找到作业按钮并点击。
在作业列表中找到本次运行记录，等待 3 个文件对应的作业状态均变为 已完成。

作业列表中 engineering_document_extraction 的运行状态显示为已完成

5. 查看结构化结果¶

打开 资源中心 > Catalog > tutorial_data > excel_analysis > extracted。
确认列表中为每份源 PDF 生成了一个 ZIP 结果包。ZIP 文件名由源文件名和系统生成的标识组成。
点击每个 ZIP 右侧的下载图标，将结果包下载到本地并解压。

Catalog 的 extracted 数据卷中显示三份源 PDF 对应的 ZIP 结果包和下载入口

每个 ZIP 结果包包含以下 3 个 JSON 文件。以 demo-borehole-log-002.pdf 的结果包为例：

文件	包含内容	用途
`demo-borehole-log-002.pdf_extract.json`	`extraction` 中的 `hole_id`、`depth` 以及源文件名	查看并使用最终结构化提取结果
`demo-borehole-log-002.pdf_extracted_sources.json`	每个字段的提取值，以及对应的文件、页码和解析块	查看字段在原文中的来源位置
`demo-borehole-log-002.pdf_parse.json`	文档类型、解析块数量以及各块的 OCR、图注和元数据	查看文档的块级解析内容

_extract.json 是主要结果文件，其中包含工作流按照 Schema 生成的结构化字段：

extract JSON 中包含 extraction 对象、孔深、钻孔编号和源文件名

_extracted_sources.json 为每个字段保存来源信息，包括提取值、源文件、页码和解析块编号：

extracted sources JSON 中记录孔深和钻孔编号各自对应的来源位置

_parse.json 保存文档解析产生的块级结果：

查看结果时，先打开 _extract.json 查看 hole_id 和 depth；再打开 _extracted_sources.json 查看每个字段对应的源文件、页码和解析块；需要了解文档的块级解析内容时，打开 _parse.json。

教程完成¶

您已经完成了从 S3 工程文档到结构化结果的完整流程：工程文件已从 S3 批量导入 MOI，工作流完成了文档解析和字段提取，结果以 JSON 保存到 Catalog，可用于后续台账整理和资料核对。

最后更新于 2026 年 9 月 8 日