Začínáme s funkcí Document Intelligence

Důležité

• Služba Azure Cognitive Services Rozpoznávání formulářů je teď azure AI Document Intelligence.
• Některé platformy stále čekají na aktualizaci přejmenování.
• Všechny zmínky o Rozpoznávání formulářů nebo funkci Document Intelligence v naší dokumentaci odkazují na stejnou službu Azure.

Tento obsah se vztahuje na:v4.0 (Preview)Dřívější verze:v3.1 (GA)v3.0 (GA)

• Začínáme s nejnovější verzí Preview služby Azure Document Intelligence (2024-02-29-preview)

• Azure AI Document Intelligence / Rozpoznávání formulářů je cloudová služba Azure AI, která využívá strojové učení k extrakci párů klíč-hodnota, textu, tabulek a klíčových dat z dokumentů.

• Modely zpracování dokumentů můžete snadno integrovat do pracovních postupů a aplikací pomocí sady SDK programovacího jazyka nebo voláním rozhraní REST API.

• Pro účely tohoto rychlého startu doporučujeme používat bezplatnou službu při učení technologie. Mějte na paměti, že počet bezplatných stránek je omezený na 500 za měsíc.

Další informace o funkcích rozhraní API a možnostech vývoje najdete na naší stránce Přehled .

Referenční referenční | informace k sadě SDK klientské knihovny | – Ukázky referenčních|balíčků| REST API | – Podporovaná verze rozhraní REST API

V tomto rychlém startu můžete pomocí následujících funkcí analyzovat a extrahovat data a hodnoty z formulářů a dokumentů:

• Model rozložení – Analýza a extrahování tabulek, čar, slov a výběrových značek, jako jsou přepínače a zaškrtávací políčka v dokumentech, aniž byste museli model trénovat.

• Předem připravený model – Analýza a extrahování běžných polí z konkrétních typů dokumentů pomocí předem připraveného modelu

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.

• Aktuální verze integrovaného vývojového prostředí sady Visual Studio.

• Služby Azure AI nebo prostředek Document Intelligence Jakmile budete mít předplatné Azure, vytvořte na webu Azure Portal prostředek s jednou službou nebo více službami Azure AI, abyste získali klíč a koncový bod.

• K vyzkoušení služby můžete použít cenovou úroveňF0 Free a později upgradovat na placenou úroveň pro produkční prostředí.

Tip

Pokud plánujete přístup k více službám Azure AI v rámci jednoho koncového bodu nebo klíče, vytvořte prostředek služeb Azure AI. Pouze pro přístup k funkci Document Intelligence vytvořte prostředek Document Intelligence. Upozorňujeme, že pokud máte v úmyslu používat ověřování Microsoft Entra, budete potřebovat prostředek s jednou službou.

• Po nasazení prostředku vyberte Přejít k prostředku. Klíč a koncový bod z prostředku, který vytvoříte, potřebujete k připojení aplikace k rozhraní DOCUMENT Intelligence API. Klíč a koncový bod vložíte do kódu později v rychlém startu:

  

Nastavení

1. Spusťte Visual Studio.

2. Na úvodní stránce zvolte Vytvořit nový projekt.

   

3. Na stránce Vytvořit nový projekt zadejte konzolu do vyhledávacího pole. Zvolte šablonu konzolové aplikace a pak zvolte Další.

   

4. V dialogovém okně Konfigurovat nový projekt zadejte doc_intel_quickstart do pole Název projektu. Pak zvolte Další.

5. V dialogovém okně Další informace vyberte .NET 6.0 (dlouhodobá podpora) a pak vyberte Vytvořit.

   

Instalace klientské knihovny pomocí NuGetu

1. Klikněte pravým tlačítkem na projekt doc_intel_quickstart a vyberte Spravovat balíčky NuGet... .

   

2. Vyberte kartu Procházet a zadejte Azure.AI.DocumentIntelligence. Include prerelease Zvolte zaškrtávací políčko a v rozevírací nabídce vyberte verzi 1.0.0-beta.1.

   

Sestavení aplikace

Pokud chcete pracovat se službou Document Intelligence, musíte vytvořit instanci DocumentIntelligenceClient třídy. Uděláte to tak, že vytvoříte na key webu Azure Portal DocumentIntelligenceClient a AzureKeyCredential instanci s AzureKeyCredential funkcí Document Intelligence a vaší funkcí Document Intelligenceendpoint.

Poznámka:

• Od .NET 6 vygenerují nové projekty používající console šablonu nový styl programu, který se liší od předchozích verzí.
• Nový výstup používá nedávné funkce jazyka C#, které zjednodušují psaní kódu.
• Pokud používáte novější verzi, stačí napsat pouze tělo Main metody. Nemusíte zahrnovat příkazy nejvyšší úrovně, globální direktivy using ani implicitní direktivy using.
• Další informace najdete v tématuNové šablony jazyka C#, které generují příkazy nejvyšší úrovně.

1. Otevřete soubor Program.cs.

2. Odstraňte existující kód, včetně řádku Console.Writeline("Hello World!"), a vyberte jednu z následujících ukázek kódu, které chcete zkopírovat a vložit do souboru Program.cs vaší aplikace:

   • Model rozložení

   • Předem připravený model

Důležité

Nezapomeňte klíč z kódu odebrat, až to budete hotovi, a nikdy ho veřejně neposílejte. V produkčním prostředí použijte bezpečný způsob ukládání přihlašovacích údajů a přístupu k vašim přihlašovacím údajům, jako je Azure Key Vault. Další informace najdete v tématu Zabezpečení služeb Azure AI.

Model rozložení

Extrahujte text, značky výběru, styly textu, struktury tabulky a souřadnice ohraničující oblasti z dokumentů.

• V tomto příkladu budete potřebovat soubor dokumentu z identifikátoru URI. Pro účely tohoto rychlého startu můžete použít náš ukázkový dokument .
• Do proměnné v horní části skriptu jsme přidali hodnotu Uri fileUri identifikátoru URI souboru.
• Pokud chcete extrahovat rozložení z daného souboru na identifikátor URI, použijte metodu StartAnalyzeDocumentFromUri a předejte prebuilt-layout ji jako ID modelu. Vrácená AnalyzeResult hodnota je objekt obsahující data z odeslaného dokumentu.

Do souboru Program.cs přidejte následující vzorový kód. Nezapomeňte aktualizovat proměnné klíče a koncového bodu hodnotami z instance Document Intelligence na webu Azure Portal:

using Azure;
using Azure.AI.DocumentIntelligence;

//set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal to create your `AzureKeyCredential` and `DocumentIntelligenceClient` instance
string endpoint = "<your-endpoint>";
string key = "<your-key>";
AzureKeyCredential credential = new AzureKeyCredential(key);
DocumentIntelligenceClient client = new DocumentIntelligenceClient(new Uri(endpoint), credential);

//sample document
Uri fileUri = new Uri ("https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-layout.pdf");

Operation<AnalyzeResult> operation = await client.AnalyzeDocumentAsync(WaitUntil.Completed, "prebuilt-layout", fileUri);

AnalyzeResult result = operation.Value;

foreach (DocumentPage page in result.Pages)
{
    Console.WriteLine($"Document Page {page.PageNumber} has {page.Lines.Count} line(s), {page.Words.Count} word(s)," +
        $" and {page.SelectionMarks.Count} selection mark(s).");

    for (int i = 0; i < page.Lines.Count; i++)
    {
        DocumentLine line = page.Lines[i];

        Console.WriteLine($"  Line {i}:");
        Console.WriteLine($"    Content: '{line.Content}'");

        Console.Write("    Bounding polygon, with points ordered clockwise:");
        for (int j = 0; j < line.Polygon.Count; j += 2)
        {
            Console.Write($" ({line.Polygon[j]}, {line.Polygon[j + 1]})");
        }

        Console.WriteLine();
    }

    for (int i = 0; i < page.SelectionMarks.Count; i++)
    {
        DocumentSelectionMark selectionMark = page.SelectionMarks[i];

        Console.WriteLine($"  Selection Mark {i} is {selectionMark.State}.");
        Console.WriteLine($"    State: {selectionMark.State}");

        Console.Write("    Bounding polygon, with points ordered clockwise:");
        for (int j = 0; j < selectionMark.Polygon.Count; j++)
        {
            Console.Write($" ({selectionMark.Polygon[j]}, {selectionMark.Polygon[j + 1]})");
        }

        Console.WriteLine();
    }
}

for (int i = 0; i < result.Paragraphs.Count; i++)
{
    DocumentParagraph paragraph = result.Paragraphs[i];

    Console.WriteLine($"Paragraph {i}:");
    Console.WriteLine($"  Content: {paragraph.Content}");

    if (paragraph.Role != null)
    {
        Console.WriteLine($"  Role: {paragraph.Role}");
    }
}

foreach (DocumentStyle style in result.Styles)
{
    // Check the style and style confidence to see if text is handwritten.
    // Note that value '0.8' is used as an example.

    bool isHandwritten = style.IsHandwritten.HasValue && style.IsHandwritten == true;

    if (isHandwritten && style.Confidence > 0.8)
    {
        Console.WriteLine($"Handwritten content found:");

        foreach (DocumentSpan span in style.Spans)
        {
            var handwrittenContent = result.Content.Substring(span.Offset, span.Length);
            Console.WriteLine($"  {handwrittenContent}");
        }
    }
}

for (int i = 0; i < result.Tables.Count; i++)
{
    DocumentTable table = result.Tables[i];

    Console.WriteLine($"Table {i} has {table.RowCount} rows and {table.ColumnCount} columns.");

    foreach (DocumentTableCell cell in table.Cells)
    {
        Console.WriteLine($"  Cell ({cell.RowIndex}, {cell.ColumnIndex}) is a '{cell.Kind}' with content: {cell.Content}");
    }
}

Spuštění aplikace

Po přidání ukázky kódu do aplikace zvolte zelené tlačítko Start vedle formRecognizer_quickstart a sestavte a spusťte program, nebo stiskněte klávesu F5.

Předem připravený model

Analyzujte a extrahujte běžná pole z konkrétních typů dokumentů pomocí předem vytvořeného modelu. V tomto příkladu analyzujeme fakturu pomocí předem připraveného modelu faktury .

Tip

Nejste omezeni na faktury – můžete si vybrat z několika předem připravených modelů, z nichž každá má svou vlastní sadu podporovaných polí. Model, který se má použít pro analyze operaci, závisí na typu dokumentu, který se má analyzovat. Viz extrakce dat modelu.

• Analýza faktury pomocí předem vytvořeného modelu faktury Pro účely tohoto rychlého startu můžete použít náš ukázkový dokument faktury.
• Do proměnné v horní části souboru Program.cs jsme přidali hodnotu Uri invoiceUri identifikátoru URI souboru.
• Pokud chcete analyzovat daný soubor pomocí identifikátoru URI, použijte metodu StartAnalyzeDocumentFromUri a předejte prebuilt-invoice ji jako ID modelu. Vrácená AnalyzeResult hodnota je objekt obsahující data z odeslaného dokumentu.
• Pro zjednodušení se zde nezobrazují všechny páry klíč-hodnota, které služba vrací. Seznam všech podporovaných polí a odpovídajících typů najdete na naší stránce konceptů faktury .

Do souboru Program.cs přidejte následující ukázku kódu. Nezapomeňte aktualizovat proměnné klíče a koncového bodu hodnotami z instance Document Intelligence na webu Azure Portal:

using Azure;
using Azure.AI.DocumentIntelligence;

//set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal to create your `AzureKeyCredential` and `DocumentIntelligenceClient` instance
string endpoint = "<your-endpoint>";
string key = "<your-key>";
AzureKeyCredential credential = new AzureKeyCredential(key);
DocumentIntelligenceClient client = new DocumentIntelligenceClient(new Uri(endpoint), credential);

//sample invoice document

Uri invoiceUri = new Uri ("https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-invoice.pdf");

Operation<AnalyzeResult> operation = await client.AnalyzeDocumentAsync(WaitUntil.Completed, "prebuilt-invoice", invoiceUri);

AnalyzeResult result = operation.Value;

for (int i = 0; i < result.Documents.Count; i++)
{
    Console.WriteLine($"Document {i}:");

    AnalyzedDocument document = result.Documents[i];

    if (document.Fields.TryGetValue("VendorName", out DocumentField vendorNameField)
        && vendorNameField.Type == DocumentFieldType.String)
    {
        string vendorName = vendorNameField.ValueString;
        Console.WriteLine($"Vendor Name: '{vendorName}', with confidence {vendorNameField.Confidence}");
    }

    if (document.Fields.TryGetValue("CustomerName", out DocumentField customerNameField)
        && customerNameField.Type == DocumentFieldType.String)
    {
        string customerName = customerNameField.ValueString;
        Console.WriteLine($"Customer Name: '{customerName}', with confidence {customerNameField.Confidence}");
    }

    if (document.Fields.TryGetValue("Items", out DocumentField itemsField)
        && itemsField.Type == DocumentFieldType.Array)
    {
        foreach (DocumentField itemField in itemsField.ValueArray)
        {
            Console.WriteLine("Item:");

            if (itemField.Type == DocumentFieldType.Object)
            {
                IReadOnlyDictionary<string, DocumentField> itemFields = itemField.ValueObject;

                if (itemFields.TryGetValue("Description", out DocumentField itemDescriptionField)
                    && itemDescriptionField.Type == DocumentFieldType.String)
                {
                    string itemDescription = itemDescriptionField.ValueString;
                    Console.WriteLine($"  Description: '{itemDescription}', with confidence {itemDescriptionField.Confidence}");
                }

                if (itemFields.TryGetValue("Amount", out DocumentField itemAmountField)
                    && itemAmountField.Type == DocumentFieldType.Currency)
                {
                    CurrencyValue itemAmount = itemAmountField.ValueCurrency;
                    Console.WriteLine($"  Amount: '{itemAmount.CurrencySymbol}{itemAmount.Amount}', with confidence {itemAmountField.Confidence}");
                }
            }
        }
    }

    if (document.Fields.TryGetValue("SubTotal", out DocumentField subTotalField)
        && subTotalField.Type == DocumentFieldType.Currency)
    {
        CurrencyValue subTotal = subTotalField.ValueCurrency;
        Console.WriteLine($"Sub Total: '{subTotal.CurrencySymbol}{subTotal.Amount}', with confidence {subTotalField.Confidence}");
    }

    if (document.Fields.TryGetValue("TotalTax", out DocumentField totalTaxField)
        && totalTaxField.Type == DocumentFieldType.Currency)
    {
        CurrencyValue totalTax = totalTaxField.ValueCurrency;
        Console.WriteLine($"Total Tax: '{totalTax.CurrencySymbol}{totalTax.Amount}', with confidence {totalTaxField.Confidence}");
    }

    if (document.Fields.TryGetValue("InvoiceTotal", out DocumentField invoiceTotalField)
        && invoiceTotalField.Type == DocumentFieldType.Currency)
    {
        CurrencyValue invoiceTotal = invoiceTotalField.ValueCurrency;
        Console.WriteLine($"Invoice Total: '{invoiceTotal.CurrencySymbol}{invoiceTotal.Amount}', with confidence {invoiceTotalField.Confidence}");
    }
}

Spuštění aplikace

Po přidání ukázky kódu do aplikace zvolte zelené tlačítko Start vedle formRecognizer_quickstart a sestavte a spusťte program, nebo stiskněte klávesu F5.

Referenční | referenční balíček rozhraní REST API | sady SDK klientské knihovny | (Maven) | – ukázky |podporované verze rozhraní REST API

V tomto rychlém startu můžete pomocí následujících funkcí analyzovat a extrahovat data a hodnoty z formulářů a dokumentů:

• Rozložení – Analýza a extrahování tabulek, řádků, slov a výběrových značek, jako jsou přepínače a zaškrtávací políčka v dokumentech, bez nutnosti trénovat model.

• Předem připravená faktura – Analýza a extrakce běžných polí z konkrétních typů dokumentů pomocí předem natrénovaného modelu

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.

• Nejnovější verze editoru Visual Studio Code nebo preferované integrované vývojové prostředí (IDE) VizJava v editoru Visual Studio Code.

  Tip

  • Visual Studio Code nabízí balíček kódování pro Javu pro Windows a macOS.Balíček kódování je sada VS Code, sady Java Development Kit (JDK) a kolekce navrhovaných rozšíření od Microsoftu. Kódovací balíček lze také použít k opravě existujícího vývojového prostředí.
  • Pokud používáte VS Code a kódovací balíček pro Javu, nainstalujte rozšíření Gradle for Java .

• Pokud visual Studio Code nepoužíváte, ujistěte se, že máte ve vývojovém prostředí nainstalované následující:

  • Sada Java Development Kit (JDK) verze 8 nebo novější. Další informace naleznete v tématuMicrosoft Build of OpenJDK.

  • Gradle verze 6.8 nebo novější

• Služby Azure AI nebo prostředek Document Intelligence Jakmile budete mít předplatné Azure, vytvořte na webu Azure Portal prostředek Document Intelligence s jednou službou nebo více službami, abyste získali klíč a koncový bod. K vyzkoušení služby můžete použít cenovou úroveňF0 Free a později upgradovat na placenou úroveň pro produkční prostředí.

  Tip

  Pokud plánujete přístup k více službám Azure AI v rámci jednoho koncového bodu nebo klíče, vytvořte prostředek služeb Azure AI. Pouze pro přístup k funkci Document Intelligence vytvořte prostředek Document Intelligence. Upozorňujeme, že pokud máte v úmyslu používat ověřování Microsoft Entra, budete potřebovat prostředek s jednou službou.

• Po nasazení prostředku vyberte Přejít k prostředku. Klíč a koncový bod z prostředku, který vytvoříte, potřebujete k připojení aplikace k rozhraní DOCUMENT Intelligence API. Později do kódu vložíte klíč a koncový bod:

  

Nastavení

Vytvoření nového projektu Gradle

1. V okně konzoly (například cmd, PowerShell nebo Bash) vytvořte nový adresář pro vaši aplikaci s názvem doc-intel-app a přejděte na ni.

   mkdir doc-intel-app && doc-intel-app
   

   mkdir doc-intel-app; cd doc-intel-app
   

2. gradle init Spusťte příkaz z pracovního adresáře. Tento příkaz vytvoří základní soubory sestavení pro Gradle, včetně build.gradle.kts, které se používají za běhu k vytvoření a konfiguraci aplikace.

   gradle init --type basic
   

3. Po zobrazení výzvy k výběru DSL vyberte Kotlin.

4. Výběrem klávesy Return nebo Enter přijměte výchozí název projektu (doc-intel-app).

Instalace klientské knihovny

V tomto rychlém startu se používá správce závislostí Gradle. Klientskou knihovnu a informace pro další správce závislostí najdete v centrálním úložišti Maven.

Otevřete soubor build.gradle.kts projektu v integrovaném vývojovém prostředí (IDE). Spoluplatte a vložte následující kód, který zahrne klientskou knihovnu implementation jako příkaz spolu s požadovanými moduly plug-in a nastavením.

   plugins {
       java
       application
   }
   application {
       mainClass.set("DocIntelligence")
   }
   repositories {
       mavenCentral()
   }
   dependencies {
       implementation group: 'com.azure', name: 'azure-ai-documentintelligence', version: '1.0.0-beta.2'

   }

Vytvoření aplikace Java

Pokud chcete pracovat se službou Document Intelligence, musíte vytvořit instanci DocumentIntelligenceClient třídy. Uděláte to tak, že vytvoříte na key webu Azure Portal DocumentIntelligenceClient a AzureKeyCredential instanci s AzureKeyCredential funkcí Document Intelligence a vaší funkcí Document Intelligenceendpoint.

1. V adresáři doc-intel-app spusťte následující příkaz:

   mkdir -p src/main/java
   

   Vytvoříte následující adresářovou strukturu:

   

2. Přejděte do java adresáře a vytvořte soubor s názvem DocIntelligence.java.

   Tip

   • Nový soubor můžete vytvořit pomocí PowerShellu.
   • Otevřete okno PowerShellu v adresáři projektu tak, že podržíte klávesu Shift a kliknete pravým tlačítkem na složku.
   • Zadejte následující příkaz New-Item DocIntelligence.java.

3. Otevřete soubor DocIntelligence.java. Zkopírujte a vložte do aplikace jednu z následujících ukázek kódu:

   • Rozložení

   • Předem připravená faktura

Důležité

Nezapomeňte klíč z kódu odebrat, až to budete hotovi, a nikdy ho veřejně neposílejte. V produkčním prostředí použijte bezpečný způsob ukládání přihlašovacích údajů a přístupu k vašim přihlašovacím údajům, jako je Azure Key Vault. Další informace najdete v tématu Zabezpečení služeb Azure AI.

Model rozložení

Extrahujte text, značky výběru, styly textu, struktury tabulky a souřadnice ohraničující oblasti z dokumentů.

• V tomto příkladu budete potřebovat soubor dokumentu na identifikátoru URI. Pro účely tohoto rychlého startu můžete použít náš ukázkový dokument .
• K analýze daného souboru na identifikátoru URI použijete metodu a předáte prebuilt-layout ho beginAnalyzeDocumentFromUrl jako ID modelu. Vrácená AnalyzeResult hodnota je objekt obsahující data o odeslaném dokumentu.
• Do proměnné v hlavní metodě jsme přidali hodnotu documentUrl identifikátoru URI souboru.

Do souboru přidejte následující ukázku DocIntelligence.java kódu. Nezapomeňte aktualizovat proměnné klíče a koncového bodu hodnotami z instance Document Intelligence na webu Azure Portal:

import com.azure.ai.documentintelligence;

import com.azure.ai.documentintelligence.models.AnalyzeDocumentRequest;
import com.azure.ai.documentintelligence.models.AnalyzeResult;
import com.azure.ai.documentintelligence.models.AnalyzeResultOperation;
import com.azure.ai.documentintelligence.models.DocumentTable;
import com.azure.core.credential.AzureKeyCredential;
import com.azure.core.util.polling.SyncPoller;

import java.util.List;

public class DocIntelligence {

  // set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal
  private static final String endpoint = "<your-endpoint>";
  private static final String key = "<your-key>";

  public static void main(String[] args) {

    // create your `DocumentAnalysisClient` instance and `AzureKeyCredential` variable
    DocumentIntelligenceClient client = new DocumentIntelligenceClientBuilder()
      .credential(new AzureKeyCredential(key))
      .endpoint(endpoint)
      .buildClient();

    // sample document
    String documentUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-layout.pdf";
    String modelId = "prebuilt-layout";

    SyncPoller <AnalyzeResultOperation, AnalyzeResultOperation> analyzeLayoutResultPoller =
      client.beginAnalyzeDocument(modelId, documentUrl);

    AnalyzeResult analyzeLayoutResult = analyzeLayoutPoller.getFinalResult().getAnalyzeResult();

    // pages
    analyzeLayoutResult.getPages().forEach(documentPage -> {
      System.out.printf("Page has width: %.2f and height: %.2f, measured with unit: %s%n",
        documentPage.getWidth(),
        documentPage.getHeight(),
        documentPage.getUnit());

      // lines
      documentPage.getLines().forEach(documentLine ->
        System.out.printf("Line '%s' is within a bounding polygon %s.%n",
          documentLine.getContent(),
          documentLine.getPolygon()));

      // words
      documentPage.getWords().forEach(documentWord ->
        System.out.printf("Word '%s' has a confidence score of %.2f.%n",
          documentWord.getContent(),
          documentWord.getConfidence()));

      // selection marks
      documentPage.getSelectionMarks().forEach(documentSelectionMark ->
        System.out.printf("Selection mark is '%s' and is within a bounding polygon %s with confidence %.2f.%n",
          documentSelectionMark.getState().toString(),
          documentSelectionMark.getPolygon(),
          documentSelectionMark.getConfidence()));
    });

    // tables
    List < DocumentTable > tables = analyzeLayoutResult.getTables();
    for (int i = 0; i < tables.size(); i++) {
      DocumentTable documentTable = tables.get(i);
      System.out.printf("Table %d has %d rows and %d columns.%n", i, documentTable.getRowCount(),
        documentTable.getColumnCount());
      documentTable.getCells().forEach(documentTableCell -> {
        System.out.printf("Cell '%s', has row index %d and column index %d.%n", documentTableCell.getContent(),
          documentTableCell.getRowIndex(), documentTableCell.getColumnIndex());
      });
      System.out.println();
    }

    // styles
    analyzeLayoutResult.getStyles().forEach(documentStyle -
      > System.out.printf("Document is handwritten %s.%n", documentStyle.isHandwritten()));
  }
}

Sestavení a spuštění aplikace

Po přidání ukázky kódu do aplikace přejděte zpět do hlavního adresáře projektu – doc-intel-app.

1. Sestavte aplikaci pomocí build příkazu:

   gradle build
   

2. Spusťte aplikaci pomocí run příkazu:

   gradle run
   

Předem připravený model

Analyzujte a extrahujte běžná pole z konkrétních typů dokumentů pomocí předem vytvořeného modelu. V tomto příkladu analyzujeme fakturu pomocí předem připraveného modelu faktury .

Tip

Nejste omezeni na faktury – můžete si vybrat z několika předem připravených modelů, z nichž každá má svou vlastní sadu podporovaných polí. Model, který se má použít pro analyze operaci, závisí na typu dokumentu, který se má analyzovat. Viz extrakce dat modelu.

• Analýza faktury pomocí předem vytvořeného modelu faktury Pro účely tohoto rychlého startu můžete použít náš ukázkový dokument faktury.
• Do proměnné v horní části souboru jsme přidali hodnotu invoiceUrl ADRESY URL souboru.
• K analýze daného souboru na identifikátoru URI použijete metodu a předáte PrebuiltModels.Invoice ho beginAnalyzeDocuments jako ID modelu. Vrácená result hodnota je objekt obsahující data o odeslaném dokumentu.
• Pro zjednodušení se zde nezobrazují všechny páry klíč-hodnota, které služba vrací. Seznam všech podporovaných polí a odpovídajících typů najdete na naší stránce konceptů faktury .

Do souboru přidejte následující ukázku DocIntelligence.java kódu. Nezapomeňte aktualizovat proměnné klíče a koncového bodu hodnotami z instance Document Intelligence na webu Azure Portal:

import com.azure.ai.documentintelligence;

import com.azure.ai.documentintelligence.models.AnalyzeDocumentRequest;
import com.azure.ai.documentintelligence.models.AnalyzeResult;
import com.azure.ai.documentintelligence.models.AnalyzeResultOperation;
import com.azure.ai.documentintelligence.models.Document;
import com.azure.ai.documentintelligence.models.DocumentField;
import com.azure.ai.documentintelligence.models.DocumentFieldType;
import com.azure.core.credential.AzureKeyCredential;
import com.azure.core.util.polling.SyncPoller;

import java.io.IOException;
import java.time.LocalDate;
import java.util.List;
import java.util.Map;

public class DocIntelligence {

  // set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal
  private static final String endpoint = "<your-endpoint>";
  private static final String key = "<your-key>";

  public static void main(String[] args) {

    // create your `DocumentAnalysisClient` instance and `AzureKeyCredential` variable
    DocumentIntelligenceClient client = new DocumentIntelligenceClientBuilder()
      .credential(new AzureKeyCredential(key))
      .endpoint(endpoint)
      .buildClient();

    // sample document
    String modelId = "prebuilt-invoice";
    String invoiceUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-invoice.pdf";

    public static void main(final String[] args) throws IOException {
      // Instantiate a client that will be used to call the service.
      DocumentIntelligenceClient client = new DocumentIntelligenceClientBuilder()
        .credential(new AzureKeyCredential("{key}"))
        .endpoint("https://{endpoint}.cognitiveservices.azure.com/")
        .buildClient();

      SyncPoller < OperationResult, AnalyzeResult > analyzeLayoutResultPoller =
        client.beginAnalyzeDocument(modelId, invoiceUrl);

      AnalyzeResult analyzeInvoiceResult = analyzeInvoicesPoller.getFinalResult().getAnalyzeResult();

      for (int i = 0; i < analyzeInvoiceResult.getDocuments().size(); i++) {
        Document analyzedInvoice = analyzeInvoiceResult.getDocuments().get(i);
        Map < String, DocumentField > invoiceFields = analyzedInvoice.getFields();
        System.out.printf("----------- Analyzing invoice  %d -----------%n", i);
        DocumentField vendorNameField = invoiceFields.get("VendorName");
        if (vendorNameField != null) {
          if (DocumentFieldType.STRING == vendorNameField.getType()) {
            String merchantName = vendorNameField.getValueString();
            System.out.printf("Vendor Name: %s, confidence: %.2f%n",
              merchantName, vendorNameField.getConfidence());
          }
        }

        DocumentField vendorAddressField = invoiceFields.get("VendorAddress");
        if (vendorAddressField != null) {
          if (DocumentFieldType.STRING == vendorAddressField.getType()) {
            String merchantAddress = vendorAddressField.getValueString();
            System.out.printf("Vendor address: %s, confidence: %.2f%n",
              merchantAddress, vendorAddressField.getConfidence());
          }
        }

        DocumentField customerNameField = invoiceFields.get("CustomerName");
        if (customerNameField != null) {
          if (DocumentFieldType.STRING == customerNameField.getType()) {
            String merchantAddress = customerNameField.getValueString();
            System.out.printf("Customer Name: %s, confidence: %.2f%n",
              merchantAddress, customerNameField.getConfidence());
          }
        }

        DocumentField customerAddressRecipientField = invoiceFields.get("CustomerAddressRecipient");
        if (customerAddressRecipientField != null) {
          if (DocumentFieldType.STRING == customerAddressRecipientField.getType()) {
            String customerAddr = customerAddressRecipientField.getValueString();
            System.out.printf("Customer Address Recipient: %s, confidence: %.2f%n",
              customerAddr, customerAddressRecipientField.getConfidence());
          }
        }

        DocumentField invoiceIdField = invoiceFields.get("InvoiceId");
        if (invoiceIdField != null) {
          if (DocumentFieldType.STRING == invoiceIdField.getType()) {
            String invoiceId = invoiceIdField.getValueString();
            System.out.printf("Invoice ID: %s, confidence: %.2f%n",
              invoiceId, invoiceIdField.getConfidence());
          }
        }

        DocumentField invoiceDateField = invoiceFields.get("InvoiceDate");
        if (customerNameField != null) {
          if (DocumentFieldType.DATE == invoiceDateField.getType()) {
            LocalDate invoiceDate = invoiceDateField.getValueDate();
            System.out.printf("Invoice Date: %s, confidence: %.2f%n",
              invoiceDate, invoiceDateField.getConfidence());
          }
        }

        DocumentField invoiceTotalField = invoiceFields.get("InvoiceTotal");
        if (customerAddressRecipientField != null) {
          if (DocumentFieldType.NUMBER == invoiceTotalField.getType()) {
            Double invoiceTotal = invoiceTotalField.getValueNumber();
            System.out.printf("Invoice Total: %.2f, confidence: %.2f%n",
              invoiceTotal, invoiceTotalField.getConfidence());
          }
        }

        DocumentField invoiceItemsField = invoiceFields.get("Items");
        if (invoiceItemsField != null) {
          System.out.printf("Invoice Items: %n");
          if (DocumentFieldType.ARRAY == invoiceItemsField.getType()) {
            List < DocumentField > invoiceItems = invoiceItemsField.getValueArray();
            invoiceItems.stream()
              .filter(invoiceItem -> DocumentFieldType.OBJECT == invoiceItem.getType())
              .map(documentField -> documentField.getValueObject())
              .forEach(documentFieldMap -> documentFieldMap.forEach((key, documentField) -> {

                // See a full list of fields found on an invoice here:
                // https://aka.ms/documentintelligence/invoicefields

                if ("Description".equals(key)) {
                  if (DocumentFieldType.STRING == documentField.getType()) {
                    String name = documentField.getValueString();
                    System.out.printf("Description: %s, confidence: %.2fs%n",
                      name, documentField.getConfidence());
                  }
                }
                if ("Quantity".equals(key)) {
                  if (DocumentFieldType.NUMBER == documentField.getType()) {
                    Double quantity = documentField.getValueNumber();
                    System.out.printf("Quantity: %f, confidence: %.2f%n",
                      quantity, documentField.getConfidence());
                  }
                }
                if ("UnitPrice".equals(key)) {
                  if (DocumentFieldType.NUMBER == documentField.getType()) {
                    Double unitPrice = documentField.getValueNumber();
                    System.out.printf("Unit Price: %f, confidence: %.2f%n",
                      unitPrice, documentField.getConfidence());
                  }
                }
                if ("ProductCode".equals(key)) {
                  if (DocumentFieldType.NUMBER == documentField.getType()) {
                    Double productCode = documentField.getValueNumber();
                    System.out.printf("Product Code: %f, confidence: %.2f%n",
                      productCode, documentField.getConfidence());
                  }
                }
              }));
          }
        }
      }
    }
  }
}

Sestavení a spuštění aplikace

Po přidání ukázky kódu do aplikace přejděte zpět do hlavního adresáře projektu – doc-intel-app.

1. Sestavte aplikaci pomocí build příkazu:

   gradle build
   

2. Spusťte aplikaci pomocí run příkazu:

   gradle run
   

Referenční | balíček rozhraní REST API klientské knihovny | (npm) | Ukázky |podporované verze rozhraní REST API

V tomto rychlém startu můžete pomocí následujících funkcí analyzovat a extrahovat data a hodnoty z formulářů a dokumentů:

• Rozložení – Analýza a extrahování tabulek, řádků, slov a výběrových značek, jako jsou přepínače a zaškrtávací políčka v dokumentech, bez nutnosti trénovat model.

• Předem připravená faktura – Analýza a extrahování běžných polí z konkrétních typů dokumentů pomocí předem natrénovaného modelu faktury

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.

• Nejnovější verze editoru Visual Studio Code nebo preferované integrované vývojové prostředí (IDE) Další informace najdete v tématuNode.js v editoru Visual Studio Code.

• Nejnovější LTS verze Node.js.

• Služby Azure AI nebo prostředek Document Intelligence Jakmile budete mít předplatné Azure, vytvořte na webu Azure Portal prostředek Document Intelligence s jednou službou nebo více službami, abyste získali klíč a koncový bod. K vyzkoušení služby můžete použít cenovou úroveňF0 Free a později upgradovat na placenou úroveň pro produkční prostředí.

  Tip

  Pokud plánujete přístup k více službám Azure AI v rámci jednoho koncového bodu nebo klíče, vytvořte prostředek služeb Azure AI. Pouze pro přístup k funkci Document Intelligence vytvořte prostředek Document Intelligence. Upozorňujeme, že pokud máte v úmyslu používat ověřování Microsoft Entra, budete potřebovat prostředek s jednou službou.

• Po nasazení prostředku vyberte Přejít k prostředku. Klíč a koncový bod z prostředku, který vytvoříte, potřebujete k připojení aplikace k rozhraní DOCUMENT Intelligence API. Klíč a koncový bod vložíte do kódu později v rychlém startu:

  

Nastavení

1. Vytvořte novou aplikaci Node.js Express: V okně konzoly (například cmd, PowerShell nebo Bash) vytvořte a přejděte do nového adresáře aplikace s názvem doc-intel-app.

   mkdir doc-intel-app && cd doc-intel-app
   

2. Spuštěním npm init příkazu inicializujete aplikaci a vygenerujte projekt.

   npm init
   

3. Pomocí výzev zobrazených v terminálu zadejte atributy projektu.

   • Nejdůležitějšími atributy jsou název, číslo verze a vstupní bod.
   • Doporučujeme zachovat index.js název vstupního bodu. Popis, testovací příkaz, úložiště GitHub, klíčová slova, autor a informace o licencích jsou volitelné atributy – je možné je přeskočit pro tento projekt.
   • Návrhy v závorkách přijměte tak, že vyberete Return nebo Enter.
   • Po dokončení výzev package.json se v adresáři doc-intel-app vytvoří soubor.

4. Nainstalujte klientskou knihovnu ai-document-intelligence a azure/identity balíčky npm:

   npm i @azure-rest/ai-document-intelligence@1.0.0-beta.2 @azure/identity
   
   

   Soubor vaší aplikace package.json se aktualizuje o závislosti.

5. Vytvořte soubor s názvem index.js v adresáři aplikace.

   Tip

   • Nový soubor můžete vytvořit pomocí PowerShellu.
   • Otevřete okno PowerShellu v adresáři projektu tak, že podržíte klávesu Shift a kliknete pravým tlačítkem na složku.
   • Zadejte následující příkaz New-Item index.js.

Sestavení aplikace

Pokud chcete pracovat se službou Document Intelligence, musíte vytvořit instanci DocumentIntelligenceClient třídy. Uděláte to tak, že vytvoříte na key webu Azure Portal DocumentIntelligenceClient a AzureKeyCredential instanci s AzureKeyCredential funkcí Document Intelligence a vaší funkcí Document Intelligenceendpoint.

1. Otevřete soubor v editoru Visual Studio Code nebo v oblíbeném integrovaném index.js vývojovém prostředí (IDE). Zkopírujte a vložte do aplikace jednu z následujících ukázek kódu:

   • Rozložení

   • Předem připravená faktura

Důležité

Nezapomeňte klíč z kódu odebrat, až to budete hotovi, a nikdy ho veřejně neposílejte. V produkčním prostředí použijte bezpečný způsob ukládání přihlašovacích údajů a přístupu k vašim přihlašovacím údajům, jako je Azure Key Vault. Další informace najdete v tématu Zabezpečení služeb Azure AI.

Model rozložení

Extrahujte text, značky výběru, styly textu, struktury tabulky a souřadnice ohraničující oblasti z dokumentů.

• V tomto příkladu budete potřebovat soubor dokumentu z adresy URL. Pro účely tohoto rychlého startu můžete použít náš ukázkový dokument .
• Do proměnné v horní části souboru jsme přidali hodnotu formUrl adresy URL souboru.
• K analýze daného souboru z adresy URL použijete metodu beginAnalyzeDocuments a předáte prebuilt-layout ji jako ID modelu.

    const { DocumentIntelligenceClient } = require("@azure-rest/ai-document-intelligence");
    const  { AzureKeyCredential } = require("@azure/core-auth");

    // set `<your-key>` and `<your-endpoint>` variables with the values from the Azure portal.
    const key = "<your-key";
    const endpoint = "<your-endpoint>";

    // sample document
  const formUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-layout.pdf"

async function main() {
    const client = DocumentIntelligenceClient(endpoint, new AzureKeyCredential(key));

    const poller = await client.beginAnalyzeDocument("prebuilt-layout", formUrl);

const {
        pages,
        tables
    } = await poller.pollUntilDone();

    if (pages.length <= 0) {
        console.log("No pages were extracted from the document.");
    } else {
        console.log("Pages:");
        for (const page of pages) {
            console.log("- Page", page.pageNumber, `(unit: ${page.unit})`);
            console.log(`  ${page.width}x${page.height}, angle: ${page.angle}`);
            console.log(`  ${page.lines.length} lines, ${page.words.length} words`);
        }
    }

    if (tables.length <= 0) {
        console.log("No tables were extracted from the document.");
    } else {
        console.log("Tables:");
        for (const table of tables) {
            console.log(
                `- Extracted table: ${table.columnCount} columns, ${table.rowCount} rows (${table.cells.length} cells)`
            );
        }
    }
}

main().catch((error) => {
    console.error("An error occurred:", error);
    process.exit(1);
});

Spuštění aplikace

Po přidání ukázky kódu do aplikace spusťte program:

1. Přejděte do složky, ve které máte aplikaci Document Intelligence (doc-intel-app).

2. Do terminálu zadejte následující příkaz:

   node index.js
   

Předem připravený model

V tomto příkladu analyzujeme fakturu pomocí předem připraveného modelu faktury .

Tip

Nejste omezeni na faktury – můžete si vybrat z několika předem připravených modelů, z nichž každá má svou vlastní sadu podporovaných polí. Model, který se má použít pro analyze operaci, závisí na typu dokumentu, který se má analyzovat. Viz extrakce dat modelu.

• Analýza faktury pomocí předem vytvořeného modelu faktury Pro účely tohoto rychlého startu můžete použít náš ukázkový dokument faktury.
• Do proměnné v horní části souboru jsme přidali hodnotu invoiceUrl ADRESY URL souboru.
• K analýze daného souboru na identifikátoru URI použijete metodu a předáte PrebuiltModels.Invoice ho beginAnalyzeDocuments jako ID modelu. Vrácená result hodnota je objekt obsahující data o odeslaném dokumentu.
• Pro zjednodušení se zde nezobrazují všechny páry klíč-hodnota, které služba vrací. Seznam všech podporovaných polí a odpovídajících typů najdete na naší stránce konceptů faktury .

const { DocumentIntelligenceClient } = require("@azure-rest/ai-document-intelligence");
const  { AzureKeyCredential } = require("@azure/core-auth");

    // set `<your-key>` and `<your-endpoint>` variables with the values from the Azure portal.
    const key = "<your-key>";
    const endpoint = "<your-endpoint>";

    // sample document
    invoiceUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-invoice.pdf"

async function main() {
    const client = DocumentIntelligenceClient(endpoint, new AzureKeyCredential(key));

    const poller = await client.beginAnalyzeDocument("prebuilt-invoice", invoiceUrl);
if (pages.length <= 0) {
        console.log("No pages were extracted from the document.");
    } else {
        console.log("Pages:");
        for (const page of pages) {
            console.log("- Page", page.pageNumber, `(unit: ${page.unit})`);
            console.log(`  ${page.width}x${page.height}, angle: ${page.angle}`);
            console.log(`  ${page.lines.length} lines, ${page.words.length} words`);
        }
    }

    if (tables.length <= 0) {
        console.log("No tables were extracted from the document.");
    } else {
        console.log("Tables:");
        for (const table of tables) {
            console.log(
                `- Extracted table: ${table.columnCount} columns, ${table.rowCount} rows (${table.cells.length} cells)`
            );
        }
    }
}

main().catch((error) => {
    console.error("An error occurred:", error);
    process.exit(1);
});

Spuštění aplikace

Po přidání ukázky kódu do aplikace spusťte program:

1. Přejděte do složky, ve které máte aplikaci Document Intelligence (doc-intel-app).

2. Do terminálu zadejte následující příkaz:

   node index.js
   

Referenční | referenční balíček rozhraní REST API | sady SDK klientské knihovny |(PyPi) | Ukázky | podporované verze rozhraní REST API

V tomto rychlém startu můžete pomocí následujících funkcí analyzovat a extrahovat data z formulářů a dokumentů:

• Rozložení – Analýza a extrahování tabulek, řádků, slov a výběrových značek, jako jsou přepínače a zaškrtávací políčka a páry klíč-hodnota, bez nutnosti trénovat model.

• Předem připravená faktura – Analýza a extrakce běžných polí z konkrétních typů dokumentů pomocí předem natrénovaného modelu

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.

• Python 3.7 nebo novější

  • Vaše instalace Pythonu by měla obsahovat pip. Spuštěním na příkazovém pip --version řádku můžete zkontrolovat, jestli máte nainstalovaný pip. Získejte pip instalací nejnovější verze Pythonu.

• Nejnovější verze editoru Visual Studio Code nebo preferované integrované vývojové prostředí (IDE) Další informace najdete v tématuZačínáme s Pythonem v editoru Visual Studio Code.

• Služby Azure AI nebo prostředek Document Intelligence Jakmile budete mít předplatné Azure, vytvořte na webu Azure Portal prostředek Document Intelligence s jednou službou nebo více službami, abyste získali klíč a koncový bod. K vyzkoušení služby můžete použít cenovou úroveňF0 Free a později upgradovat na placenou úroveň pro produkční prostředí.

Tip

Pokud plánujete přístup k více službám Azure AI v rámci jednoho koncového bodu nebo klíče, vytvořte prostředek služeb Azure AI. Pouze pro přístup k funkci Document Intelligence vytvořte prostředek Document Intelligence. Upozorňujeme, že pokud máte v úmyslu používat ověřování Microsoft Entra, budete potřebovat prostředek s jednou službou.

• Po nasazení prostředku vyberte Přejít k prostředku. Klíč a koncový bod z prostředku, který vytvoříte, potřebujete k připojení aplikace k rozhraní DOCUMENT Intelligence API. Klíč a koncový bod vložíte do kódu později v rychlém startu:

  

Nastavení

Otevřete okno terminálu v místním prostředí a nainstalujte klientskou knihovnu Azure AI Document Intelligence pro Python s pip:

pip install azure-ai-documentintelligence==1.0.0b2

Vytvoření aplikace v Pythonu

Pokud chcete pracovat se službou Document Intelligence, musíte vytvořit instanci DocumentIntelligenceClient třídy. Uděláte to tak, že vytvoříte na key webu Azure Portal DocumentIntelligenceClient a AzureKeyCredential instanci s AzureKeyCredential funkcí Document Intelligence a vaší funkcí Document Intelligenceendpoint.

1. V preferovaném editoru nebo integrovaném vývojovém prostředí (IDE) vytvořte nový soubor Pythonu s názvem doc_intel_quickstart.py .

2. Otevřete soubor doc_intel_quickstart.py a vyberte jednu z následujících ukázek kódu, které chcete zkopírovat a vložit do aplikace:

   • Rozložení

   • Předem připravená faktura

Důležité

Nezapomeňte klíč z kódu odebrat, až to budete hotovi, a nikdy ho veřejně neposílejte. V produkčním prostředí použijte bezpečný způsob ukládání přihlašovacích údajů a přístupu k vašim přihlašovacím údajům, jako je Azure Key Vault. Další informace najdete v tématu Zabezpečení služeb Azure AI.

Model rozložení

Extrahujte text, značky výběru, styly textu, struktury tabulky a souřadnice ohraničující oblasti z dokumentů.

• V tomto příkladu budete potřebovat soubor dokumentu z adresy URL. Pro účely tohoto rychlého startu můžete použít náš ukázkový dokument .
• Do proměnné ve analyze_layout funkci jsme přidali hodnotu formUrl adresy URL souboru.
• K analýze daného souboru na adrese URL použijete metodu begin_analyze_document_from_url a předáte prebuilt-layout ji jako ID modelu. Vrácená result hodnota je objekt obsahující data o odeslaném dokumentu.

Do aplikace doc_intel_quickstart.py přidejte následující vzorový kód. Nezapomeňte aktualizovat proměnné klíče a koncového bodu hodnotami z instance Document Intelligence na webu Azure Portal:

# import libraries
import os
from azure.core.credentials import AzureKeyCredential
from azure.ai.documentintelligence import DocumentIntelligenceClient
from azure.ai.documentintelligence.models import AnalyzeResult

# set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal
endpoint = "<your-endpoint>"
key = "<your-key>"

# helper functions

def get_words(page, line):
    result = []
    for word in page.words:
        if _in_span(word, line.spans):
            result.append(word)
    return result


def _in_span(word, spans):
    for span in spans:
        if word.span.offset >= span.offset and (
            word.span.offset + word.span.length
        ) <= (span.offset + span.length):
            return True
    return False


def analyze_layout():
    # sample document
    formUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-layout.pdf"

    document_intelligence_client = DocumentIntelligenceClient(
        endpoint=endpoint, credential=AzureKeyCredential(key)
    )

    poller = document_intelligence_client.begin_analyze_document(
        "prebuilt-layout", formUrl
    )

    analyze_request = AnalyzeDocumentRequest(
        url_source=formUrl
    )

    result: AnalyzeResult = poller.result()

    if result.styles and any([style.is_handwritten for style in result.styles]):
        print("Document contains handwritten content")
    else:
        print("Document does not contain handwritten content")

    for page in result.pages:
        print(f"----Analyzing layout from page #{page.page_number}----")
        print(
            f"Page has width: {page.width} and height: {page.height}, measured with unit: {page.unit}"
        )

        if page.lines:
            for line_idx, line in enumerate(page.lines):
                words = get_words(page, line)
                print(
                    f"...Line # {line_idx} has word count {len(words)} and text '{line.content}' "
                    f"within bounding polygon '{line.polygon}'"
                )

                for word in words:
                    print(
                        f"......Word '{word.content}' has a confidence of {word.confidence}"
                    )

        if page.selection_marks:
            for selection_mark in page.selection_marks:
                print(
                    f"Selection mark is '{selection_mark.state}' within bounding polygon "
                    f"'{selection_mark.polygon}' and has a confidence of {selection_mark.confidence}"
                )

    if result.tables:
        for table_idx, table in enumerate(result.tables):
            print(
                f"Table # {table_idx} has {table.row_count} rows and "
                f"{table.column_count} columns"
            )
            if table.bounding_regions:
                for region in table.bounding_regions:
                    print(
                        f"Table # {table_idx} location on page: {region.page_number} is {region.polygon}"
                    )
            for cell in table.cells:
                print(
                    f"...Cell[{cell.row_index}][{cell.column_index}] has text '{cell.content}'"
                )
                if cell.bounding_regions:
                    for region in cell.bounding_regions:
                        print(
                            f"...content on page {region.page_number} is within bounding polygon '{region.polygon}'"
                        )

    print("----------------------------------------")


if __name__ == "__main__":
    analyze_layout()

Spuštění aplikace

Po přidání ukázky kódu do aplikace sestavte a spusťte program:

1. Přejděte do složky, ve které máte soubor doc_intel_quickstart.py .

2. Do terminálu zadejte následující příkaz:

   python doc_intel_quickstart.py
   

---

Předem připravený model

Analyzujte a extrahujte běžná pole z konkrétních typů dokumentů pomocí předem vytvořeného modelu. V tomto příkladu analyzujeme fakturu pomocí předem připraveného modelu faktury .

Tip

Nejste omezeni na faktury – můžete si vybrat z několika předem připravených modelů, z nichž každá má svou vlastní sadu podporovaných polí. Model, který se má použít pro analyze operaci, závisí na typu dokumentu, který se má analyzovat. Viz extrakce dat modelu.

• Analýza faktury pomocí předem vytvořeného modelu faktury Pro účely tohoto rychlého startu můžete použít náš ukázkový dokument faktury.
• Do proměnné v horní části souboru jsme přidali hodnotu invoiceUrl ADRESY URL souboru.
• K analýze daného souboru na identifikátoru URI použijete metodu a předáte prebuilt-invoice ho begin_analyze_document_from_url jako ID modelu. Vrácená result hodnota je objekt obsahující data o odeslaném dokumentu.
• Pro zjednodušení se zde nezobrazují všechny páry klíč-hodnota, které služba vrací. Seznam všech podporovaných polí a odpovídajících typů najdete na naší stránce konceptů faktury .

Do aplikace doc_intel_quickstart.py přidejte následující vzorový kód. Nezapomeňte aktualizovat proměnné klíče a koncového bodu hodnotami z instance Document Intelligence na webu Azure Portal:

# import libraries
import os
from azure.core.credentials import AzureKeyCredential
from azure.ai.documentintelligence import DocumentIntelligenceClient


# set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal
endpoint = "<your-endpoint>"
key = "<your-key>"

def analyze_invoice():
    # sample document

    invoiceUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-invoice.pdf"

    document_intelligence_client = DocumentIntelligenceClient(
        endpoint=endpoint, credential=AzureKeyCredential(key)
    )

    poller = document_intelligence_client.begin_analyze_document(
        "prebuilt-invoice", invoiceUrl
    )
    invoices = poller.result()

    if invoices.documents:
        for idx, invoice in enumerate(invoices.documents):
            print(f"--------Analyzing invoice #{idx + 1}--------")
            vendor_name = invoice.fields.get("VendorName")
            if vendor_name:
                print(
                    f"Vendor Name: {vendor_name.get('content')} has confidence: {vendor_name.get('confidence')}"
                )
            vendor_address = invoice.fields.get("VendorAddress")
            if vendor_address:
                print(
                    f"Vendor Address: {vendor_address.get('content')} has confidence: {vendor_address.get('confidence')}"
                )
            vendor_address_recipient = invoice.fields.get("VendorAddressRecipient")
            if vendor_address_recipient:
                print(
                    f"Vendor Address Recipient: {vendor_address_recipient.get('content')} has confidence: {vendor_address_recipient.get('confidence')}"
                )
            customer_name = invoice.fields.get("CustomerName")
            if customer_name:
                print(
                    f"Customer Name: {customer_name.get('content')} has confidence: {customer_name.get('confidence')}"
                )
            customer_id = invoice.fields.get("CustomerId")
            if customer_id:
                print(
                    f"Customer Id: {customer_id.get('content')} has confidence: {customer_id.get('confidence')}"
                )
            customer_address = invoice.fields.get("CustomerAddress")
            if customer_address:
                print(
                    f"Customer Address: {customer_address.get('content')} has confidence: {customer_address.get('confidence')}"
                )
            customer_address_recipient = invoice.fields.get("CustomerAddressRecipient")
            if customer_address_recipient:
                print(
                    f"Customer Address Recipient: {customer_address_recipient.get('content')} has confidence: {customer_address_recipient.get('confidence')}"
                )
            invoice_id = invoice.fields.get("InvoiceId")
            if invoice_id:
                print(
                    f"Invoice Id: {invoice_id.get('content')} has confidence: {invoice_id.get('confidence')}"
                )
            invoice_date = invoice.fields.get("InvoiceDate")
            if invoice_date:
                print(
                    f"Invoice Date: {invoice_date.get('content')} has confidence: {invoice_date.get('confidence')}"
                )
            invoice_total = invoice.fields.get("InvoiceTotal")
            if invoice_total:
                print(
                    f"Invoice Total: {invoice_total.get('content')} has confidence: {invoice_total.get('confidence')}"
                )
            due_date = invoice.fields.get("DueDate")
            if due_date:
                print(
                    f"Due Date: {due_date.get('content')} has confidence: {due_date.get('confidence')}"
                )
            purchase_order = invoice.fields.get("PurchaseOrder")
            if purchase_order:
                print(
                    f"Purchase Order: {purchase_order.get('content')} has confidence: {purchase_order.get('confidence')}"
                )
            billing_address = invoice.fields.get("BillingAddress")
            if billing_address:
                print(
                    f"Billing Address: {billing_address.get('content')} has confidence: {billing_address.get('confidence')}"
                )
            billing_address_recipient = invoice.fields.get("BillingAddressRecipient")
            if billing_address_recipient:
                print(
                    f"Billing Address Recipient: {billing_address_recipient.get('content')} has confidence: {billing_address_recipient.get('confidence')}"
                )
            shipping_address = invoice.fields.get("ShippingAddress")
            if shipping_address:
                print(
                    f"Shipping Address: {shipping_address.get('content')} has confidence: {shipping_address.get('confidence')}"
                )
            shipping_address_recipient = invoice.fields.get("ShippingAddressRecipient")
            if shipping_address_recipient:
                print(
                    f"Shipping Address Recipient: {shipping_address_recipient.get('content')} has confidence: {shipping_address_recipient.get('confidence')}"
                )
            print("Invoice items:")
            for idx, item in enumerate(invoice.fields.get("Items").get("valueArray")):
                print(f"...Item #{idx + 1}")
                item_description = item.get("valueObject").get("Description")
                if item_description:
                    print(
                        f"......Description: {item_description.get('content')} has confidence: {item_description.get('confidence')}"
                    )
                item_quantity = item.get("valueObject").get("Quantity")
                if item_quantity:
                    print(
                        f"......Quantity: {item_quantity.get('content')} has confidence: {item_quantity.get('confidence')}"
                    )
                unit = item.get("valueObject").get("Unit")
                if unit:
                    print(
                        f"......Unit: {unit.get('content')} has confidence: {unit.get('confidence')}"
                    )
                unit_price = item.get("valueObject").get("UnitPrice")
                if unit_price:
                    unit_price_code = (
                        unit_price.get("valueCurrency").get("currencyCode")
                        if unit_price.get("valueCurrency").get("currencyCode")
                        else ""
                    )
                    print(
                        f"......Unit Price: {unit_price.get('content')}{unit_price_code} has confidence: {unit_price.get('confidence')}"
                    )
                product_code = item.get("valueObject").get("ProductCode")
                if product_code:
                    print(
                        f"......Product Code: {product_code.get('content')} has confidence: {product_code.get('confidence')}"
                    )
                item_date = item.get("valueObject").get("Date")
                if item_date:
                    print(
                        f"......Date: {item_date.get('content')} has confidence: {item_date.get('confidence')}"
                    )
                tax = item.get("valueObject").get("Tax")
                if tax:
                    print(
                        f"......Tax: {tax.get('content')} has confidence: {tax.get('confidence')}"
                    )
                amount = item.get("valueObject").get("Amount")
                if amount:
                    print(
                        f"......Amount: {amount.get('content')} has confidence: {amount.get('confidence')}"
                    )
            subtotal = invoice.fields.get("SubTotal")
            if subtotal:
                print(
                    f"Subtotal: {subtotal.get('content')} has confidence: {subtotal.get('confidence')}"
                )
            total_tax = invoice.fields.get("TotalTax")
            if total_tax:
                print(
                    f"Total Tax: {total_tax.get('content')} has confidence: {total_tax.get('confidence')}"
                )
            previous_unpaid_balance = invoice.fields.get("PreviousUnpaidBalance")
            if previous_unpaid_balance:
                print(
                    f"Previous Unpaid Balance: {previous_unpaid_balance.get('content')} has confidence: {previous_unpaid_balance.get('confidence')}"
                )
            amount_due = invoice.fields.get("AmountDue")
            if amount_due:
                print(
                    f"Amount Due: {amount_due.get('content')} has confidence: {amount_due.get('confidence')}"
                )
            service_start_date = invoice.fields.get("ServiceStartDate")
            if service_start_date:
                print(
                    f"Service Start Date: {service_start_date.get('content')} has confidence: {service_start_date.get('confidence')}"
                )
            service_end_date = invoice.fields.get("ServiceEndDate")
            if service_end_date:
                print(
                    f"Service End Date: {service_end_date.get('content')} has confidence: {service_end_date.get('confidence')}"
                )
            service_address = invoice.fields.get("ServiceAddress")
            if service_address:
                print(
                    f"Service Address: {service_address.get('content')} has confidence: {service_address.get('confidence')}"
                )
            service_address_recipient = invoice.fields.get("ServiceAddressRecipient")
            if service_address_recipient:
                print(
                    f"Service Address Recipient: {service_address_recipient.get('content')} has confidence: {service_address_recipient.get('confidence')}"
                )
            remittance_address = invoice.fields.get("RemittanceAddress")
            if remittance_address:
                print(
                    f"Remittance Address: {remittance_address.get('content')} has confidence: {remittance_address.get('confidence')}"
                )
            remittance_address_recipient = invoice.fields.get(
                "RemittanceAddressRecipient"
            )
            if remittance_address_recipient:
                print(
                    f"Remittance Address Recipient: {remittance_address_recipient.get('content')} has confidence: {remittance_address_recipient.get('confidence')}"
                )


          print("----------------------------------------")


if __name__ == "__main__":
    analyze_invoice()

Spuštění aplikace

Po přidání ukázky kódu do aplikace sestavte a spusťte program:

1. Přejděte do složky, ve které máte soubor doc_intel_quickstart.py .

2. Do terminálu zadejte následující příkaz:

   python doc_intel_quickstart.py
   

| Rozhraní REST API | document Intelligence – podporované sady Azure SDK

V tomto rychlém startu se naučíte používat rozhraní REST API document intelligence k analýze a extrahování dat a hodnot z dokumentů:

Požadavky

• Předplatné Azure: Můžete si ho vytvořit zdarma.

• Nainstalovaný nástroj příkazového řádku curl.

  • Windows
  • Mac nebo Linux

• PowerShell verze 7.*+ (nebo podobná aplikace příkazového řádku):):

  • Windows
  • macOS
  • Linux

• Pokud chcete zkontrolovat verzi PowerShellu, zadejte následující příkaz vzhledem k vašemu operačnímu systému:

  • Windows: Get-Host | Select-Object Version
  • macOS nebo Linux: $PSVersionTable

• Prostředek Document Intelligence (jednoúčelová služba) nebo služby Azure AI (více služeb). Jakmile budete mít předplatné Azure, vytvořte na webu Azure Portal prostředek Document Intelligence s jednou službou nebo více službami, abyste získali klíč a koncový bod. K vyzkoušení služby můžete použít cenovou úroveňF0 Free a později upgradovat na placenou úroveň pro produkční prostředí.

Tip

Pokud plánujete přístup k více službám Azure AI v rámci jednoho koncového bodu nebo klíče, vytvořte prostředek služeb Azure AI. Pouze pro přístup k funkci Document Intelligence vytvořte prostředek Document Intelligence. Upozorňujeme, že pokud máte v úmyslu používat ověřování Microsoft Entra, budete potřebovat prostředek s jednou službou.

• Po nasazení prostředku vyberte Přejít k prostředku. Klíč a koncový bod z prostředku, který vytvoříte, potřebujete k připojení aplikace k rozhraní DOCUMENT Intelligence API. Klíč a koncový bod vložíte do kódu později v rychlém startu:

  

Analýza dokumentů a získání výsledků

Požadavek POST slouží k analýze dokumentů s předem připraveným nebo vlastním modelem. Požadavek GET se používá k načtení výsledku volání analýzy dokumentu. Používá modelId se s post a resultId s operacemi GET.

Analýza dokumentu (požadavek POST)

Před spuštěním příkazu cURL proveďte následující změny požadavku post:

1. Nahraďte {endpoint} hodnotou koncového bodu z instance Document Intelligence na webu Azure Portal.

2. Nahraďte {key} hodnotou klíče z instance Document Intelligence na webu Azure Portal.

3. Jako odkaz použijte {modelID} následující tabulku a {your-document-url} nahraďte požadované hodnoty.

4. Potřebujete soubor dokumentu na adrese URL. Pro účely tohoto rychlého startu můžete pro každou funkci použít ukázkové formuláře uvedené v následující tabulce:

Ukázkové dokumenty

Funkce	{modelID}	{your-document-url}
Přečíst	předem připravená čtení	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/read.png
Rozložení	předem připravené rozložení	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/layout.png
Zdravotní pojištění	prebuilt-healthInsuranceCard.us	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/insurance-card.png
Daňové přiznání	prebuilt-tax.us.w2	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png
Faktura	předem připravená faktura	https://github.com/Azure-Samples/cognitive-services-REST-api-samples/raw/master/curl/form-recognizer/rest-api/invoice.pdf
Příjmu	předem připravená potvrzení	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/receipt.png
Průkaz totožnosti	prebuilt-idDocument	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png

Důležité

Nezapomeňte klíč z kódu odebrat, až to budete hotovi, a nikdy ho veřejně neposílejte. V produkčním prostředí použijte bezpečný způsob ukládání přihlašovacích údajů a přístupu k vašim přihlašovacím údajům, jako je Azure Key Vault. Další informace najdete v tématu Zabezpečení služeb Azure AI.

Požadavek POST

curl -v -i POST "{endpoint}/documentintelligence/documentModels/{modelId}:analyze?api-version=2024-02-29-preview" -H "Content-Type: application/json" -H "Ocp-Apim-Subscription-Key: {key}" --data-ascii "{'urlSource': '{your-document-url}'}"

Odpověď POST (resultID)

Obdržíte 202 (Success) odpověď, která obsahuje hlavičku Operation-Location určenou jen pro čtení. Hodnota této hlavičky obsahuje resultID dotaz, který umožňuje získat stav asynchronní operace a načíst výsledky pomocí požadavku GET se stejným klíčem předplatného prostředku:

Získání výsledků analýzy (požadavek GET)

Po volání Analyze document rozhraní API zavolejte rozhraní API pro analýzu výsledků , abyste získali stav operace a extrahovaná data. Před spuštěním příkazu proveďte tyto změny:

1. Nahraďte {resultID} hlavičku Umístění operace z odpovědi POST.

2. Nahraďte {key} hodnotou klíče z instance Document Intelligence na webu Azure Portal.

Požadavek GET

curl -v -X GET "{endpoint}/documentintelligence/documentModels/{modelId}/analyzeResults/{resultId}?api-version=2024-02-29-preview" -H "Ocp-Apim-Subscription-Key: {key}"

Prozkoumání odpovědi

Obdržíte odpověď s výstupem 200 (Success) JSON. První pole "status"označuje stav operace. Pokud operace není dokončená, hodnota "status" je "running" nebo "notStarted"a měli byste rozhraní API volat znovu, a to buď ručně, nebo prostřednictvím skriptu. Doporučujeme interval jedné sekundy nebo více mezi voláními.

Ukázková odpověď pro předem připravenou fakturu

{
    "status": "succeeded",
    "createdDateTime": "2024-03-25T19:31:37Z",
    "lastUpdatedDateTime": "2024-03-25T19:31:43Z",
    "analyzeResult": {
        "apiVersion": "2024-02-29-preview",
        "modelId": "prebuilt-invoice",
        "stringIndexType": "textElements"...
    ..."pages": [
            {
                "pageNumber": 1,
                "angle": 0,
                "width": 8.5,
                "height": 11,
                "unit": "inch",
                "words": [
                    {
                        "content": "CONTOSO",
                        "boundingBox": [
                            0.5911,
                            0.6857,
                            1.7451,
                            0.6857,
                            1.7451,
                            0.8664,
                            0.5911,
                            0.8664
                        ],
                        "confidence": 1,
                        "span": {
                            "offset": 0,
                            "length": 7
                                }
                      }],
              }]
      }
}

Podporovaná pole dokumentů

Předem připravené modely extrahuje předdefinované sady polí dokumentu. Viz Extrakce dat modelu pro extrahované názvy polí, typy, popisy a příklady.

To je to, blahopřejeme!

V tomto rychlém startu jste použili model document Intelligence k analýze různých formulářů a dokumentů. V dalším kroku prozkoumejte sadu Document Intelligence Studio a referenční dokumentaci, kde najdete podrobné informace o rozhraní Document Intelligence API.

Další kroky

• Pro vylepšené prostředí a pokročilou kvalitu modelu vyzkoušejte Document Intelligence Studio.

• Informace o migraci verze 3.1 na verzi 4.0 najdete v průvodcích migrací protokolu změn.