Použití modelů Document Intelligence

Tento obsah se vztahuje na:v4.0 (Preview) | Předchozí verze:v3.1 (GA)v3.0 (GA)v2.1 (GA)

V této příručce se dozvíte, jak přidat modely Document Intelligence do aplikací a pracovních postupů. Použijte sadu SDK programovacího jazyka podle vašeho výběru nebo rozhraní REST API.

Azure AI Document Intelligence je cloudová služba Azure AI, která využívá strojové učení k extrakci klíčových textových a strukturových prvků z dokumentů. Při učení technologie doporučujeme používat bezplatnou službu. Mějte na paměti, že počet bezplatných stránek je omezený na 500 za měsíc.

Vyberte si z následujících modelů Document Intelligence a analyzujte a extrahujte data a hodnoty z formulářů a dokumentů:

• Předem připravený model pro čtení je jádrem všech modelů document intelligence a dokáže detekovat řádky, slova, umístění a jazyky. Rozložení, obecný dokument, předem připravené a vlastní modely používají read tento model jako základ pro extrakci textu z dokumentů.

• Předem vytvořený model rozložení extrahuje textová a textová umístění, tabulky, značky výběru a strukturu informací z dokumentů a obrázků. Páry klíč/hodnota můžete extrahovat pomocí modelu rozložení s povoleným volitelným parametrem features=keyValuePairs řetězce dotazu.

• Předem připravený model kontraktu extrahuje klíčové informace ze smluvních smluv.

• Model prebuilt-healthInsuranceCard.us extrahuje klíčové informace z amerických zdravotních pojištění.

• Předem vytvořený model daňových dokumentů model extrahuje informace hlášené v daňových formulářích USA.

• Předem vytvořený model faktury extrahuje klíčová pole a řádkové položky z prodejních faktur v různých formátech a kvalitě. Pole zahrnují obrázky pořízené telefonem, naskenované dokumenty a digitální soubory PDF.

• Předem vytvořený model účtenek extrahuje klíčové informace z tištěných a rukou psaných prodejních účtenek.

• Předem vytvořený model idDocument extrahuje klíčové informace z licencí ovladačů USA, mezinárodních životopisných stránek cestovního pasu, ID států USA, karet sociálního pojištění a trvalých rezidentních karet.

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.

• Integrované vývojové prostředí sady Visual Studio.

• Služby Azure AI nebo prostředek Document Intelligence Vytvořte jednu službu nebo více služeb. K vyzkoušení služby můžete použít cenovou úroveňF0 Free a později upgradovat na placenou úroveň pro produkční prostředí.

• Klíč a koncový bod z prostředku, který vytvoříte pro připojení aplikace ke službě Azure Document Intelligence

  1. Po nasazení prostředku vyberte Přejít k prostředku.
  2. V levé navigační nabídce vyberte Klíče a koncový bod.
  3. Zkopírujte jeden z klíčů a koncový bod pro pozdější použití v tomto článku.

  

• Soubor dokumentu v umístění adresy URL. Pro tento projekt můžete pro každou funkci použít ukázkové formuláře uvedené v následující tabulce:

  Funkce	ID modelu	adresa URL dokumentu
  Čtení modelu	předem připravená čtení	Ukázková brožura
  Model rozložení	předem připravené rozložení	Potvrzení ukázkové rezervace
  Formulářový model W-2	prebuilt-tax.us.w2	Ukázkový formulář W-2
  Model faktury	předem připravená faktura	Ukázková faktura
  Model účtenek	předem připravená potvrzení	Ukázková potvrzení
  Model dokumentu ID	prebuilt-idDocument	Ukázkový dokument s ID
  Model vizitek	předem připravená vizitka	Ukázka vizitky

Nastavení proměnných prostředí

Pokud chcete pracovat se službou Document Intelligence, musíte vytvořit instanci DocumentAnalysisClient třídy. Provedete to tak, že na webu Azure Portal vytvoří instanci klienta s vaším key klientem a endpoint z webu Azure Portal. Pro tento projekt použijte proměnné prostředí k ukládání a přístupu k přihlašovacím údajům.

Důležité

Nezahrnujte svůj klíč přímo do kódu a nikdy ho nezpřístupňujte veřejně. V produkčním prostředí použijte zabezpečený způsob ukládání přihlašovacích údajů a přístup k němu, jako je Azure Key Vault. Další informace najdete v tématu Zabezpečení služeb Azure AI.

Pokud chcete nastavit proměnnou prostředí pro klíč prostředku Document Intelligence, otevřete okno konzoly a postupujte podle pokynů pro operační systém a vývojové prostředí. Nahraďte <klíč> a <vášEndpoint> hodnotami z vašeho prostředku na webu Azure Portal.

Windows

Proměnné prostředí ve Windows nerozlišují malá a velká písmena. Obvykle se deklarují velkými písmeny a slova spojená podtržítkem. Na příkazovém řádku spusťte následující příkazy:

1. Nastavte proměnnou klíče:

   setx DI_KEY <yourKey>
   

2. Nastavení proměnné koncového bodu

   setx DI_ENDPOINT <yourEndpoint>
   

3. Po nastavení proměnných prostředí zavřete okno příkazového řádku. Hodnoty zůstanou, dokud je znovu nezměníte.

4. Restartujte všechny spuštěné programy, které čtou proměnnou prostředí. Pokud například jako editor používáte Visual Studio nebo Visual Studio Code, restartujte ho před spuštěním ukázkového kódu.

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
setx VARIABLE_NAME=	Odstraňte proměnnou prostředí nastavením hodnoty na prázdný řetězec.	setx DI_KEY=
setx VARIABLE_NAME=value	Nastavte nebo změňte hodnotu proměnné prostředí.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zobrazí hodnotu konkrétní proměnné prostředí.	set DI_KEY
set	Zobrazí všechny proměnné prostředí.	set

macOS

Proměnné prostředí v systému macOS rozlišují malá a velká písmena. Obvykle se název proměnné deklaruje velkými písmeny.

Příkaz export nastaví proměnnou a exportuje ji do globálního prostředí, které je dostupné pro jiné procesy. Hodnota je však dočasná a trvá pouze do doby, než relaci terminálu zavřete. Otevřete terminál a zadejte následující příkazy:

1. Nastavte proměnnou klíče:

   export key=<yourKey>
   

2. Nastavte proměnnou koncového bodu:

   export endpoint=<yourEndpoint>
   

Pokud chcete nastavit proměnnou prostředí trvale, umístěte příkaz pro export do spouštěcího skriptu Bash ~/.bash_profile :

1. Pomocí textového editoru otevřete soubor ~/.bash_profile a přidejte následující příkaz, který vytvoří trvalou proměnnou prostředí:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Příklad: export DI_KEY="<yourKey>"

2. Uložte změny do souboru bash_profile .

3. Pokud chcete změny provést efektivně, spusťte z okna terminálu následující příkaz:

   source ~/.bash-profile
   

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
unset VARIABLE_NAME	Odstraňte proměnnou prostředí.	unset DI_KEY
export VARIABLE_NAME=value	Nastavte nebo změňte hodnotu dočasné proměnné prostředí.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zobrazí hodnotu konkrétní proměnné prostředí. echo Pomocí příkazu před proměnnou nahraďte znakem $.	printenv DI_KEY echo $DI_KEY
printenv	Zobrazí všechny proměnné prostředí.	printenv

Linux

Proměnné prostředí v Linuxu rozlišují malá a velká písmena. Obvykle se název proměnné deklaruje velkými písmeny.

Příkaz export nastaví proměnnou a exportuje ji do globálního prostředí, které je dostupné pro jiné procesy. Hodnota je však dočasná a trvá pouze do doby, než relaci terminálu zavřete:

1. Nastavte proměnnou klíče:

   export DI_KEY=<yourKey>
   

2. Nastavte proměnnou koncového bodu:

   export DI_ENDPOINT=<yourEndpoint>
   

Pokud chcete nastavit proměnnou prostředí trvale, umístěte příkaz pro export do spouštěcího skriptu Bash ~/.bashrc :

1. Pomocí textového editoru otevřete soubor ~/.bashrc a přidejte následující příkaz, který vytvoří trvalou proměnnou prostředí:

   export <VARIABLE>=<value>
   

   Příklad: export DI_KEY=<yourKey>

2. Uložte změny do souboru .bashrc .

3. Pokud chcete změny provést efektivně, spusťte z okna terminálu následující příkaz:

   source ~/.bashrc
   

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
unset VARIABLE_NAME	Odstraňte proměnnou prostředí.	unset DI_KEY=
export VARIABLE_NAME=value	Nastavte nebo změňte hodnotu dočasné proměnné prostředí.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zobrazí hodnotu proměnné prostředí. echo Pomocí příkazu před proměnnou nahraďte znakem $.	printenv DI_KEY echo $DI_KEY
printenv	Zobrazí všechny proměnné prostředí.	printenv

Nastavení programovacího prostředí

1. Spusťte Visual Studio.

2. Na úvodní stránce zvolte Vytvořit nový projekt.

   

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

   

4. Na stránce Konfigurovat nový projekt zadejte v části Název projektu docIntelligence_app. Pak vyberte Další.

   

5. Na stránce Další informace vyberte .NET 8.0 (dlouhodobá podpora) a pak vyberte Vytvořit.

   

Instalace klientské knihovny pomocí NuGetu

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

   

2. Vyberte kartu Procházet a zadejte Azure.AI.FormRecognizer.

   

3. V rozevírací nabídce vyberte verzi a nainstalujte balíček do projektu.

Sestavení aplikace

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 tématu Šablona konzolové aplikace jazyka C# generuje příkazy nejvyšší úrovně.

1. Otevřete soubor Program.cs.

2. Odstraňte existující kód včetně řádku Console.Writeline("Hello World!").

3. Vyberte jednu z následujících ukázek kódu a zkopírujte nebo vložte do souboru Program.cs vaší aplikace:

   • předem připravená čtení
   • předem připravené rozložení
   • prebuilt-tax.us.w2
   • předem připravená faktura
   • předem připravená potvrzení
   • prebuilt-idDocument

4. Po přidání ukázky kódu do aplikace zvolte zelené tlačítko Start vedle názvu projektu, abyste sestavili a spustili program, nebo stiskněte klávesu F5.

   

Použití modelu pro čtení

using Azure;
using Azure.AI.FormRecognizer.DocumentAnalysis;

//use your `key` and `endpoint` environment variables to create your `AzureKeyCredential` and `DocumentAnalysisClient` instances
string key = Environment.GetEnvironmentVariable("DI_KEY");
string endpoint = Environment.GetEnvironmentVariable("DI_ENDPOINT");
AzureKeyCredential credential = new AzureKeyCredential(key);
DocumentAnalysisClient client = new DocumentAnalysisClient(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/rest-api/read.png");

AnalyzeDocumentOperation operation = await client.AnalyzeDocumentFromUriAsync(WaitUntil.Completed, "prebuilt-read", fileUri);
AnalyzeResult result = operation.Value;

foreach (DocumentPage page in result.Pages)
{
    Console.WriteLine($"Document Page {page.PageNumber} has {page.Lines.Count} line(s), {page.Words.Count} word(s),");
    Console.WriteLine($"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} has content: '{line.Content}'.");

        Console.WriteLine($"    Its bounding polygon (points ordered clockwise):");

        for (int j = 0; j < line.BoundingPolygon.Count; j++)
        {
            Console.WriteLine($"      Point {j} => X: {line.BoundingPolygon[j].X}, Y: {line.BoundingPolygon[j].Y}");
        }
    }
}

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)
        {
            Console.WriteLine($"  Content: {result.Content.Substring(span.Index, span.Length)}");
        }
    }
}

Console.WriteLine("Detected languages:");

foreach (DocumentLanguage language in result.Languages)
{
    Console.WriteLine($"  Found language with locale'{language.Locale}' with confidence {language.Confidence}.");
}

Navštivte úložiště ukázek Azure na GitHubu read a prohlédněte si výstup modelu.

Použití modelu rozložení

using Azure;
using Azure.AI.FormRecognizer.DocumentAnalysis;

//use your `key` and `endpoint` environment variables to create your `AzureKeyCredential` and `DocumentAnalysisClient` instances
string key = Environment.GetEnvironmentVariable("DI_KEY");
string endpoint = Environment.GetEnvironmentVariable("DI_ENDPOINT");
AzureKeyCredential credential = new AzureKeyCredential(key);
DocumentAnalysisClient client = new DocumentAnalysisClient(new Uri(endpoint), credential);

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

AnalyzeDocumentOperation operation = await client.AnalyzeDocumentFromUriAsync(WaitUntil.Completed, "prebuilt-layout", fileUri);

AnalyzeResult result = operation.Value;

foreach (DocumentPage page in result.Pages)
{
    Console.WriteLine($"Document Page {page.PageNumber} has {page.Lines.Count} line(s), {page.Words.Count} word(s),");
    Console.WriteLine($"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} has content: '{line.Content}'.");

        Console.WriteLine($"    Its bounding polygon (points ordered clockwise):");

        for (int j = 0; j < line.BoundingPolygon.Count; j++)
        {
            Console.WriteLine($"      Point {j} => X: {line.BoundingPolygon[j].X}, Y: {line.BoundingPolygon[j].Y}");
        }
    }

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

        Console.WriteLine($"  Selection Mark {i} is {selectionMark.State}.");
        Console.WriteLine($"    Its bounding polygon (points ordered clockwise):");

        for (int j = 0; j < selectionMark.BoundingPolygon.Count; j++)
        {
            Console.WriteLine($"      Point {j} => X: {selectionMark.BoundingPolygon[j].X}, Y: {selectionMark.BoundingPolygon[j].Y}");
        }
    }
}

Console.WriteLine("Paragraphs:");

foreach (DocumentParagraph paragraph in result.Paragraphs)
{
    Console.WriteLine($"  Paragraph 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)
        {
            Console.WriteLine($"  Content: {result.Content.Substring(span.Index, span.Length)}");
        }
    }
}

Console.WriteLine("The following tables were extracted:");

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}) has kind '{cell.Kind}' and content: '{cell.Content}'.");
    }
}

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu rozložení.

Použití modelu obecného dokumentu

using Azure;
using Azure.AI.FormRecognizer.DocumentAnalysis;

//use your `key` and `endpoint` environment variables to create your `AzureKeyCredential` and `DocumentAnalysisClient` instances
string key = Environment.GetEnvironmentVariable("DI_KEY");
string endpoint = Environment.GetEnvironmentVariable("DI_ENDPOINT");
AzureKeyCredential credential = new AzureKeyCredential(key);
DocumentAnalysisClient client = new DocumentAnalysisClient(new Uri(endpoint), credential);

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

AnalyzeDocumentOperation operation = await client.AnalyzeDocumentFromUriAsync(WaitUntil.Completed, "prebuilt-document", fileUri);

AnalyzeResult result = operation.Value;

Console.WriteLine("Detected key-value pairs:");

foreach (DocumentKeyValuePair kvp in result.KeyValuePairs)
{
    if (kvp.Value == null)
    {
        Console.WriteLine($"  Found key with no value: '{kvp.Key.Content}'");
    }
    else
    {
        Console.WriteLine($"  Found key-value pair: '{kvp.Key.Content}' and '{kvp.Value.Content}'");
    }
}

foreach (DocumentPage page in result.Pages)
{
    Console.WriteLine($"Document Page {page.PageNumber} has {page.Lines.Count} line(s), {page.Words.Count} word(s),");
    Console.WriteLine($"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} has content: '{line.Content}'.");

        Console.WriteLine($"    Its bounding polygon (points ordered clockwise):");

        for (int j = 0; j < line.BoundingPolygon.Count; j++)
        {
            Console.WriteLine($"      Point {j} => X: {line.BoundingPolygon[j].X}, Y: {line.BoundingPolygon[j].Y}");
        }
    }

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

        Console.WriteLine($"  Selection Mark {i} is {selectionMark.State}.");
        Console.WriteLine($"    Its bounding polygon (points ordered clockwise):");

        for (int j = 0; j < selectionMark.BoundingPolygon.Count; j++)
        {
            Console.WriteLine($"      Point {j} => X: {selectionMark.BoundingPolygon[j].X}, Y: {selectionMark.BoundingPolygon[j].Y}");
        }
    }
}

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)
        {
            Console.WriteLine($"  Content: {result.Content.Substring(span.Index, span.Length)}");
        }
    }
}

Console.WriteLine("The following tables were extracted:");

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}) has kind '{cell.Kind}' and content: '{cell.Content}'.");
    }
}

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si obecný výstup modelu dokumentu.

Použití daňového modelu W-2

using Azure;
using Azure.AI.FormRecognizer.DocumentAnalysis;

//use your `key` and `endpoint` environment variables to create your `AzureKeyCredential` and `DocumentAnalysisClient` instances
string key = Environment.GetEnvironmentVariable("DI_KEY");
string endpoint = Environment.GetEnvironmentVariable("DI_ENDPOINT");
AzureKeyCredential credential = new AzureKeyCredential(key);
DocumentAnalysisClient client = new DocumentAnalysisClient(new Uri(endpoint), credential);

// sample document document
Uri w2Uri = new Uri("https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png");

AnalyzeDocumentOperation operation = await client.AnalyzeDocumentFromUriAsync(WaitUntil.Completed, "prebuilt-tax.us.w2", w2Uri);

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("AdditionalInfo", out DocumentField? additionalInfoField))
    {
        if (additionalInfoField.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField infoField in additionalInfoField.Value.AsList())
            {
                Console.WriteLine("AdditionalInfo:");

                if (infoField.FieldType == DocumentFieldType.Dictionary)
                {
                    IReadOnlyDictionary<string, DocumentField> infoFields = infoField.Value.AsDictionary();

                    if (infoFields.TryGetValue("Amount", out DocumentField? amountField))
                    {
                        if (amountField.FieldType == DocumentFieldType.Double)
                        {
                            double amount = amountField.Value.AsDouble();

                            Console.WriteLine($"  Amount: '{amount}', with confidence {amountField.Confidence}");
                        }
                    }

                    if (infoFields.TryGetValue("LetterCode", out DocumentField? letterCodeField))
                    {
                        if (letterCodeField.FieldType == DocumentFieldType.String)
                        {
                            string letterCode = letterCodeField.Value.AsString();

                            Console.WriteLine($"  LetterCode: '{letterCode}', with confidence {letterCodeField.Confidence}");
                        }
                    }
                }
            }
        }
    }


    if (document.Fields.TryGetValue("AllocatedTips", out DocumentField? allocatedTipsField))
    {
        if (allocatedTipsField.FieldType == DocumentFieldType.Double)
        {
            double allocatedTips = allocatedTipsField.Value.AsDouble();
            Console.WriteLine($"Allocated Tips: '{allocatedTips}', with confidence {allocatedTipsField.Confidence}");
        }
    }

    if (document.Fields.TryGetValue("Employer", out DocumentField? employerField))
    {
        if (employerField.FieldType == DocumentFieldType.Dictionary)
        {
            IReadOnlyDictionary<string, DocumentField> employerFields = employerField.Value.AsDictionary();

            if (employerFields.TryGetValue("Name", out DocumentField? employerNameField))
            {
                if (employerNameField.FieldType == DocumentFieldType.String)
                {
                    string name = employerNameField.Value.AsString();

                    Console.WriteLine($"Employer Name: '{name}', with confidence {employerNameField.Confidence}");
                }
            }

            if (employerFields.TryGetValue("IdNumber", out DocumentField? idNumberField))
            {
                if (idNumberField.FieldType == DocumentFieldType.String)
                {
                    string id = idNumberField.Value.AsString();

                    Console.WriteLine($"Employer ID Number: '{id}', with confidence {idNumberField.Confidence}");
                }
            }

            if (employerFields.TryGetValue("Address", out DocumentField? addressField))
            {
                if (addressField.FieldType == DocumentFieldType.Address)
                {
                    Console.WriteLine($"Employer Address: '{addressField.Content}', with confidence {addressField.Confidence}");
                }
            }
        }
    }
}

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup daňového modelu W-2.

Použití modelu faktury

using Azure;
using Azure.AI.FormRecognizer.DocumentAnalysis;

//use your `key` and `endpoint` environment variables to create your `AzureKeyCredential` and `DocumentAnalysisClient` instances
string key = Environment.GetEnvironmentVariable("DI_KEY");
string endpoint = Environment.GetEnvironmentVariable("DI_ENDPOINT");
AzureKeyCredential credential = new AzureKeyCredential(key);
DocumentAnalysisClient client = new DocumentAnalysisClient(new Uri(endpoint), credential);

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

AnalyzeDocumentOperation operation = await client.AnalyzeDocumentFromUriAsync(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))
    {
        if (vendorNameField.FieldType == DocumentFieldType.String)
        {
            string vendorName = vendorNameField.Value.AsString();
            Console.WriteLine($"Vendor Name: '{vendorName}', with confidence {vendorNameField.Confidence}");
        }
    }

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

    if (document.Fields.TryGetValue("Items", out DocumentField itemsField))
    {
        if (itemsField.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField itemField in itemsField.Value.AsList())
            {
                Console.WriteLine("Item:");

                if (itemField.FieldType == DocumentFieldType.Dictionary)
                {
                    IReadOnlyDictionary<string, DocumentField> itemFields = itemField.Value.AsDictionary();

                    if (itemFields.TryGetValue("Description", out DocumentField itemDescriptionField))
                    {
                        if (itemDescriptionField.FieldType == DocumentFieldType.String)
                        {
                            string itemDescription = itemDescriptionField.Value.AsString();

                            Console.WriteLine($"  Description: '{itemDescription}', with confidence {itemDescriptionField.Confidence}");
                        }
                    }

                    if (itemFields.TryGetValue("Amount", out DocumentField itemAmountField))
                    {
                        if (itemAmountField.FieldType == DocumentFieldType.Currency)
                        {
                            CurrencyValue itemAmount = itemAmountField.Value.AsCurrency();

                            Console.WriteLine($"  Amount: '{itemAmount.Symbol}{itemAmount.Amount}', with confidence {itemAmountField.Confidence}");
                        }
                    }
                }
            }
        }
    }

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

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

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

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu faktury.

Použití modelu účtenek

using Azure;
using Azure.AI.FormRecognizer.DocumentAnalysis;

//use your `key` and `endpoint` environment variables to create your `AzureKeyCredential` and `DocumentAnalysisClient` instances
string key = Environment.GetEnvironmentVariable("DI_KEY");
string endpoint = Environment.GetEnvironmentVariable("DI_ENDPOINT");
AzureKeyCredential credential = new AzureKeyCredential(key);
DocumentAnalysisClient client = new DocumentAnalysisClient(new Uri(endpoint), credential);

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

AnalyzeDocumentOperation operation = await client.AnalyzeDocumentFromUriAsync(WaitUntil.Completed, "prebuilt-receipt", receiptUri);

AnalyzeResult receipts = operation.Value;

foreach (AnalyzedDocument receipt in receipts.Documents)
{
    if (receipt.Fields.TryGetValue("MerchantName", out DocumentField merchantNameField))
    {
        if (merchantNameField.FieldType == DocumentFieldType.String)
        {
            string merchantName = merchantNameField.Value.AsString();

            Console.WriteLine($"Merchant Name: '{merchantName}', with confidence {merchantNameField.Confidence}");
        }
    }

    if (receipt.Fields.TryGetValue("TransactionDate", out DocumentField transactionDateField))
    {
        if (transactionDateField.FieldType == DocumentFieldType.Date)
        {
            DateTimeOffset transactionDate = transactionDateField.Value.AsDate();

            Console.WriteLine($"Transaction Date: '{transactionDate}', with confidence {transactionDateField.Confidence}");
        }
    }

    if (receipt.Fields.TryGetValue("Items", out DocumentField itemsField))
    {
        if (itemsField.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField itemField in itemsField.Value.AsList())
            {
                Console.WriteLine("Item:");

                if (itemField.FieldType == DocumentFieldType.Dictionary)
                {
                    IReadOnlyDictionary<string, DocumentField> itemFields = itemField.Value.AsDictionary();

                    if (itemFields.TryGetValue("Description", out DocumentField itemDescriptionField))
                    {
                        if (itemDescriptionField.FieldType == DocumentFieldType.String)
                        {
                            string itemDescription = itemDescriptionField.Value.AsString();

                            Console.WriteLine($"  Description: '{itemDescription}', with confidence {itemDescriptionField.Confidence}");
                        }
                    }

                    if (itemFields.TryGetValue("TotalPrice", out DocumentField itemTotalPriceField))
                    {
                        if (itemTotalPriceField.FieldType == DocumentFieldType.Double)
                        {
                            double itemTotalPrice = itemTotalPriceField.Value.AsDouble();

                            Console.WriteLine($"  Total Price: '{itemTotalPrice}', with confidence {itemTotalPriceField.Confidence}");
                        }
                    }
                }
            }
        }
    }

    if (receipt.Fields.TryGetValue("Total", out DocumentField totalField))
    {
        if (totalField.FieldType == DocumentFieldType.Double)
        {
            double total = totalField.Value.AsDouble();

            Console.WriteLine($"Total: '{total}', with confidence '{totalField.Confidence}'");
        }
    }
}

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu účtenky.

Model dokumentu ID

using Azure;
using Azure.AI.FormRecognizer.DocumentAnalysis;

//use your `key` and `endpoint` environment variables to create your `AzureKeyCredential` and `DocumentAnalysisClient` instances
string key = Environment.GetEnvironmentVariable("DI_KEY");
string endpoint = Environment.GetEnvironmentVariable("DI_ENDPOINT");
AzureKeyCredential credential = new AzureKeyCredential(key);
DocumentAnalysisClient client = new DocumentAnalysisClient(new Uri(endpoint), credential);

// sample document document

Uri idDocumentUri = new Uri("https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png");

AnalyzeDocumentOperation operation = await client.AnalyzeDocumentFromUriAsync(WaitUntil.Completed, "prebuilt-idDocument", idDocumentUri);

AnalyzeResult identityDocuments = operation.Value;

AnalyzedDocument identityDocument = identityDocuments.Documents.Single();

if (identityDocument.Fields.TryGetValue("Address", out DocumentField addressField))
{
    if (addressField.FieldType == DocumentFieldType.String)
    {
        string address = addressField.Value. AsString();
        Console.WriteLine($"Address: '{address}', with confidence {addressField.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("CountryRegion", out DocumentField countryRegionField))
{
    if (countryRegionField.FieldType == DocumentFieldType.CountryRegion)
    {
        string countryRegion = countryRegionField.Value.AsCountryRegion();
        Console.WriteLine($"CountryRegion: '{countryRegion}', with confidence {countryRegionField.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("DateOfBirth", out DocumentField dateOfBirthField))
{
    if (dateOfBirthField.FieldType == DocumentFieldType.Date)
    {
        DateTimeOffset dateOfBirth = dateOfBirthField.Value.AsDate();
        Console.WriteLine($"Date Of Birth: '{dateOfBirth}', with confidence {dateOfBirthField.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("DateOfExpiration", out DocumentField dateOfExpirationField))
{
    if (dateOfExpirationField.FieldType == DocumentFieldType.Date)
    {
        DateTimeOffset dateOfExpiration = dateOfExpirationField.Value.AsDate();
        Console.WriteLine($"Date Of Expiration: '{dateOfExpiration}', with confidence {dateOfExpirationField.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("DocumentNumber", out DocumentField documentNumberField))
{
    if (documentNumberField.FieldType == DocumentFieldType.String)
    {
        string documentNumber = documentNumberField.Value.AsString();
        Console.WriteLine($"Document Number: '{documentNumber}', with confidence {documentNumberField.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("FirstName", out DocumentField firstNameField))
{
    if (firstNameField.FieldType == DocumentFieldType.String)
    {
        string firstName = firstNameField.Value.AsString();
        Console.WriteLine($"First Name: '{firstName}', with confidence {firstNameField.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("LastName", out DocumentField lastNameField))
{
    if (lastNameField.FieldType == DocumentFieldType.String)
    {
        string lastName = lastNameField.Value.AsString();
        Console.WriteLine($"Last Name: '{lastName}', with confidence {lastNameField.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("Region", out DocumentField regionfield))
{
    if (regionfield.FieldType == DocumentFieldType.String)
    {
        string region = regionfield.Value.AsString();
        Console.WriteLine($"Region: '{region}', with confidence {regionfield.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("Sex", out DocumentField sexfield))
{
    if (sexfield.FieldType == DocumentFieldType.String)
    {
        string sex = sexfield.Value.AsString();
        Console.WriteLine($"Sex: '{sex}', with confidence {sexfield.Confidence}");
    }
}

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu id-document.

Použití modelu Vizitka

using Azure;
using Azure.AI.FormRecognizer.DocumentAnalysis;

//use your `key` and `endpoint` environment variables to create your `AzureKeyCredential` and `DocumentAnalysisClient` instances
string key = Environment.GetEnvironmentVariable("DI_KEY");
string endpoint = Environment.GetEnvironmentVariable("DI_ENDPOINT");
AzureKeyCredential credential = new AzureKeyCredential(key);
DocumentAnalysisClient client = new DocumentAnalysisClient(new Uri(endpoint), credential);

// sample document document
Uri businessCardUri = new Uri("https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/business-card-english.jpg");

AnalyzeDocumentOperation operation = await client.AnalyzeDocumentFromUriAsync(WaitUntil.Completed, "prebuilt-businessCard", businessCardUri);

AnalyzeResult businessCards = operation.Value;

foreach (AnalyzedDocument businessCard in businessCards.Documents)
{
    if (businessCard.Fields.TryGetValue("ContactNames", out DocumentField ContactNamesField))
    {
        if (ContactNamesField.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField contactNameField in ContactNamesField.Value.AsList())
            {
                Console.WriteLine("Contact Name: ");

                if (contactNameField.FieldType == DocumentFieldType.Dictionary)
                {
                    IReadOnlyDictionary<string, DocumentField> contactNameFields = contactNameField.Value.AsDictionary();

                    if (contactNameFields.TryGetValue("FirstName", out DocumentField firstNameField))
                    {
                        if (firstNameField.FieldType == DocumentFieldType.String)
                        {
                            string firstName = firstNameField.Value.AsString();

                            Console.WriteLine($"  First Name: '{firstName}', with confidence {firstNameField.Confidence}");
                        }
                    }

                    if (contactNameFields.TryGetValue("LastName", out DocumentField lastNameField))
                    {
                        if (lastNameField.FieldType == DocumentFieldType.String)
                        {
                            string lastName = lastNameField.Value.AsString();

                            Console.WriteLine($"  Last Name: '{lastName}', with confidence {lastNameField.Confidence}");
                        }
                    }
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("JobTitles", out DocumentField jobTitlesFields))
    {
        if (jobTitlesFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField jobTitleField in jobTitlesFields.Value.AsList())
            {
                if (jobTitleField.FieldType == DocumentFieldType.String)
                {
                    string jobTitle = jobTitleField.Value.AsString();

                    Console.WriteLine($"Job Title: '{jobTitle}', with confidence {jobTitleField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("Departments", out DocumentField departmentFields))
    {
        if (departmentFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField departmentField in departmentFields.Value.AsList())
            {
                if (departmentField.FieldType == DocumentFieldType.String)
                {
                    string department = departmentField.Value.AsString();

                    Console.WriteLine($"Department: '{department}', with confidence {departmentField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("Emails", out DocumentField emailFields))
    {
        if (emailFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField emailField in emailFields.Value.AsList())
            {
                if (emailField.FieldType == DocumentFieldType.String)
                {
                    string email = emailField.Value.AsString();

                    Console.WriteLine($"Email: '{email}', with confidence {emailField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("Websites", out DocumentField websiteFields))
    {
        if (websiteFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField websiteField in websiteFields.Value.AsList())
            {
                if (websiteField.FieldType == DocumentFieldType.String)
                {
                    string website = websiteField.Value.AsString();

                    Console.WriteLine($"Website: '{website}', with confidence {websiteField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("MobilePhones", out DocumentField mobilePhonesFields))
    {
        if (mobilePhonesFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField mobilePhoneField in mobilePhonesFields.Value.AsList())
            {
                if (mobilePhoneField.FieldType == DocumentFieldType.PhoneNumber)
                {
                    string mobilePhone = mobilePhoneField.Value.AsPhoneNumber();

                    Console.WriteLine($"Mobile phone number: '{mobilePhone}', with confidence {mobilePhoneField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("WorkPhones", out DocumentField workPhonesFields))
    {
        if (workPhonesFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField workPhoneField in workPhonesFields.Value.AsList())
            {
                if (workPhoneField.FieldType == DocumentFieldType.PhoneNumber)
                {
                    string workPhone = workPhoneField.Value.AsPhoneNumber();

                    Console.WriteLine($"Work phone number: '{workPhone}', with confidence {workPhoneField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("Faxes", out DocumentField faxesFields))
    {
        if (faxesFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField faxField in faxesFields.Value.AsList())
            {
                if (faxField.FieldType == DocumentFieldType.PhoneNumber)
                {
                    string fax = faxField.Value.AsPhoneNumber();

                    Console.WriteLine($"Fax phone number: '{fax}', with confidence {faxField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("Addresses", out DocumentField addressesFields))
    {
        if (addressesFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField addressField in addressesFields.Value.AsList())
            {
                if (addressField.FieldType == DocumentFieldType.String)
                {
                    string address = addressField.Value.AsString();

                    Console.WriteLine($"Address: '{address}', with confidence {addressField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("CompanyNames", out DocumentField companyNamesFields))
    {
        if (companyNamesFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField companyNameField in companyNamesFields.Value.AsList())
            {
                if (companyNameField.FieldType == DocumentFieldType.String)
                {
                    string companyName = companyNameField.Value.AsString();

                    Console.WriteLine($"Company name: '{companyName}', with confidence {companyNameField.Confidence}");
                }
            }
        }
    }
}

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu vizitek.

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

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.

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

  • Visual Studio Code nabízí balíček kódování pro Javu pro Windows a macOS. Kódovací balíček 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 tématu Microsoft Build of OpenJDK.
  • Gradle verze 6.8 nebo novější

• Služby Azure AI nebo prostředek Document Intelligence Vytvořte jednu službu nebo více služeb. 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 pomocí jednoho koncového bodu a klíče, vytvořte prostředek služeb Azure AI. Pouze pro přístup k funkci Document Intelligence vytvořte prostředek Document Intelligence. Pokud máte v úmyslu používat ověřování Microsoft Entra, potřebujete prostředek s jednou službou.

• Klíč a koncový bod z prostředku, který vytvoříte pro připojení aplikace ke službě Azure Document Intelligence

  1. Po nasazení prostředku vyberte Přejít k prostředku.
  2. V levé navigační nabídce vyberte Klíče a koncový bod.
  3. Zkopírujte jeden z klíčů a koncový bod pro pozdější použití v tomto článku.

  

• Soubor dokumentu na adrese URL. Pro tento projekt můžete pro každou funkci použít ukázkové formuláře uvedené v následující tabulce:

  Funkce	ID modelu	adresa URL dokumentu
  Čtení modelu	předem připravená čtení	Ukázková brožura
  Model rozložení	předem připravené rozložení	Potvrzení ukázkové rezervace
  Formulářový model W-2	prebuilt-tax.us.w2	Ukázkový formulář W-2
  Model faktury	předem připravená faktura	Ukázková faktura
  Model účtenek	předem připravená potvrzení	Ukázková potvrzení
  Model dokumentu ID	prebuilt-idDocument	Ukázkový dokument s ID

Nastavení proměnných prostředí

Pokud chcete pracovat se službou Document Intelligence, musíte vytvořit instanci DocumentAnalysisClient třídy. Provedete to tak, že na webu Azure Portal vytvoří instanci klienta s vaším key klientem a endpoint z webu Azure Portal. Pro tento projekt použijte proměnné prostředí k ukládání a přístupu k přihlašovacím údajům.

Důležité

Nezahrnujte svůj klíč přímo do kódu a nikdy ho nezpřístupňujte veřejně. V produkčním prostředí použijte zabezpečený způsob ukládání přihlašovacích údajů a přístup k němu, jako je Azure Key Vault. Další informace najdete v tématu Zabezpečení služeb Azure AI.

Pokud chcete nastavit proměnnou prostředí pro klíč prostředku Document Intelligence, otevřete okno konzoly a postupujte podle pokynů pro operační systém a vývojové prostředí. Nahraďte <klíč> a <vášEndpoint> hodnotami z vašeho prostředku na webu Azure Portal.

Windows

Proměnné prostředí ve Windows nerozlišují malá a velká písmena. Obvykle se deklarují velkými písmeny a slova spojená podtržítkem. Na příkazovém řádku spusťte následující příkazy:

1. Nastavte proměnnou klíče:

   setx DI_KEY <yourKey>
   

2. Nastavení proměnné koncového bodu

   setx DI_ENDPOINT <yourEndpoint>
   

3. Po nastavení proměnných prostředí zavřete okno příkazového řádku. Hodnoty zůstanou, dokud je znovu nezměníte.

4. Restartujte všechny spuštěné programy, které čtou proměnnou prostředí. Pokud například jako editor používáte Visual Studio nebo Visual Studio Code, restartujte ho před spuštěním ukázkového kódu.

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
setx VARIABLE_NAME=	Odstraňte proměnnou prostředí nastavením hodnoty na prázdný řetězec.	setx DI_KEY=
setx VARIABLE_NAME=value	Nastavte nebo změňte hodnotu proměnné prostředí.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zobrazí hodnotu konkrétní proměnné prostředí.	set DI_KEY
set	Zobrazí všechny proměnné prostředí.	set

macOS

Proměnné prostředí v systému macOS rozlišují malá a velká písmena. Obvykle se název proměnné deklaruje velkými písmeny.

Příkaz export nastaví proměnnou a exportuje ji do globálního prostředí, které je dostupné pro jiné procesy. Hodnota je však dočasná a trvá pouze do doby, než relaci terminálu zavřete. Otevřete terminál a zadejte následující příkazy:

1. Nastavte proměnnou klíče:

   export key=<yourKey>
   

2. Nastavte proměnnou koncového bodu:

   export endpoint=<yourEndpoint>
   

Pokud chcete nastavit proměnnou prostředí trvale, umístěte příkaz pro export do spouštěcího skriptu Bash ~/.bash_profile :

1. Pomocí textového editoru otevřete soubor ~/.bash_profile a přidejte následující příkaz, který vytvoří trvalou proměnnou prostředí:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Příklad: export DI_KEY="<yourKey>"

2. Uložte změny do souboru bash_profile .

3. Pokud chcete změny provést efektivně, spusťte z okna terminálu následující příkaz:

   source ~/.bash-profile
   

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
unset VARIABLE_NAME	Odstraňte proměnnou prostředí.	unset DI_KEY
export VARIABLE_NAME=value	Nastavte nebo změňte hodnotu dočasné proměnné prostředí.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zobrazí hodnotu konkrétní proměnné prostředí. echo Pomocí příkazu před proměnnou nahraďte znakem $.	printenv DI_KEY echo $DI_KEY
printenv	Zobrazí všechny proměnné prostředí.	printenv

Linux

Proměnné prostředí v Linuxu rozlišují malá a velká písmena. Obvykle se název proměnné deklaruje velkými písmeny.

Příkaz export nastaví proměnnou a exportuje ji do globálního prostředí, které je dostupné pro jiné procesy. Hodnota je však dočasná a trvá pouze do doby, než relaci terminálu zavřete:

1. Nastavte proměnnou klíče:

   export DI_KEY=<yourKey>
   

2. Nastavte proměnnou koncového bodu:

   export DI_ENDPOINT=<yourEndpoint>
   

Pokud chcete nastavit proměnnou prostředí trvale, umístěte příkaz pro export do spouštěcího skriptu Bash ~/.bashrc :

1. Pomocí textového editoru otevřete soubor ~/.bashrc a přidejte následující příkaz, který vytvoří trvalou proměnnou prostředí:

   export <VARIABLE>=<value>
   

   Příklad: export DI_KEY=<yourKey>

2. Uložte změny do souboru .bashrc .

3. Pokud chcete změny provést efektivně, spusťte z okna terminálu následující příkaz:

   source ~/.bashrc
   

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
unset VARIABLE_NAME	Odstraňte proměnnou prostředí.	unset DI_KEY=
export VARIABLE_NAME=value	Nastavte nebo změňte hodnotu dočasné proměnné prostředí.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zobrazí hodnotu proměnné prostředí. echo Pomocí příkazu před proměnnou nahraďte znakem $.	printenv DI_KEY echo $DI_KEY
printenv	Zobrazí všechny proměnné prostředí.	printenv

Nastavení programovacího prostředí

Pokud chcete nastavit programovací prostředí, vytvořte projekt Gradle a nainstalujte klientskou knihovnu.

Vytvoření projektu Gradle

1. V okně konzoly vytvořte adresář pro vaši aplikaci s názvem doc-intelligence-app a přejděte na ni.

   mkdir doc-intelligence-app
   cd doc-intelligence-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 Enter přijměte výchozí název projektu, aplikaci doc-intelligence-app.

Instalace klientské knihovny

Tento článek používá správce závislostí Gradle. Klientskou knihovnu a informace pro další správce závislostí najdete v centrálním úložišti Maven.

1. Otevřete soubor build.gradle.kts projektu v integrovaném vývojovém prostředí (IDE). Zkopírujte a vložte následující kód, který bude obsahovat 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, vytvořte 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-intelligence-app spusťte následující příkaz:

   mkdir -p src/main/java
   

Tento příkaz vytvoří následující adresářovou strukturu:

1. 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 a zadáte následující příkaz: New-Item DocIntelligence.java.

2. Otevřete soubor DocIntelligence.java a vyberte jednu z následujících ukázek kódu A zkopírujte a vložte do aplikace:

   • Předem připravený model pro čtení je jádrem všech modelů document intelligence a dokáže detekovat řádky, slova, umístění a jazyky. Rozložení, obecný dokument, předem připravené a vlastní modely používají read model jako základ pro extrakci textů z dokumentů.
   • Předem vytvořený model rozložení extrahuje textová a textová umístění, tabulky, značky výběru a strukturu informací z dokumentů a obrázků.
   • Předem vytvořený model tax.us.w2 extrahuje informace hlášené v daňových formulářích služby IRS (Us Internal Revenue Service).
   • Předem připravený model faktury extrahuje klíčová pole a řádkové položky z prodejních faktur v různých formátech.
   • Předem vytvořený model účtenek extrahuje klíčové informace z tištěných a rukou psaných prodejních účtenek.
   • Předem vytvořený model idDocument extrahuje klíčové informace z licencí obchodních faktorů USA; mezinárodní životopisné stránky cestovního pasu; ID států USA; karty sociálního pojištění; a trvalé rezidentní karty.

3. Zadejte následující příkazy:

   gradle build
   gradle run
   

Použití modelu pro čtení

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 {

  //use your `key` and `endpoint` environment variables
  private static final String key = System.getenv("FR_KEY");
  private static final String endpoint = System.getenv("FR_ENDPOINT");

  public static void main(final String[] args) {

      // create your `DocumentIntelligenceClient` 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/rest-api/read.png";

String modelId = "prebuilt-read";

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

AnalyzeResult analyzeLayoutResult = analyzeLayoutResultPoller.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.getBoundingPolygon().toString()));

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

Navštivte úložiště ukázek Azure na GitHubu read a prohlédněte si výstup modelu.

Použití modelu rozložení

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 {
  //use your `key` and `endpoint` environment variables
  private static final String key = System.getenv("FR_KEY");
  private static final String endpoint = System.getenv("FR_ENDPOINT");

  public static void main(final String[] args) {

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

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

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

AnalyzeResult analyzeLayoutResult = analyzeLayoutResultPoller.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.getBoundingPolygon().toString()));

  // 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.getSelectionMarkState().toString(),
      getBoundingCoordinates(documentSelectionMark.getBoundingPolygon()),
      documentSelectionMark.getConfidence()));
});

// tables
List < DocumentTable > tables = analyzeLayoutResult.getTables();
for (int i = 0; i < tables.size(); i++) {
  DocumentTable documentTables = tables.get(i);
  System.out.printf("Table %d has %d rows and %d columns.%n", i, documentTables.getRowCount(),
    documentTables.getColumnCount());
  documentTables.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();
}

}

// Utility function to get the bounding polygon coordinates.
private static String getBoundingCoordinates(List < Point > boundingPolygon) {
  return boundingPolygon.stream().map(point -> String.format("[%.2f, %.2f]", point.getX(),
    point.getY())).collect(Collectors.joining(", "));
}

}

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu rozložení.

Použití modelu obecného dokumentu

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 {
  //use your `key` and `endpoint` environment variables
  private static final String key = System.getenv("FR_KEY");
  private static final String endpoint = System.getenv("FR_ENDPOINT");

  public static void main(final String[] args) {

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

//sample document
String generalDocumentUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-layout.pdf";
String modelId = "prebuilt-document";
SyncPoller < OperationResult, AnalyzeResult > analyzeDocumentPoller =
  client.beginAnalyzeDocument(modelId, generalDocumentUrl);

AnalyzeResult analyzeResult = analyzeDocumentPoller.getFinalResult().getAnalyzeResult();;

// pages
analyzeResult.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.getBoundingPolygon().toString()));

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

// tables
List < DocumentTable > tab_les = analyzeResult.getTables();
for (int i = 0; i < tab_les.size(); i++) {
  DocumentTable documentTable = tab_les.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();
}

// Key-value pairs
analyzeResult.getKeyValuePairs().forEach(documentKeyValuePair -> {
  System.out.printf("Key content: %s%n", documentKeyValuePair.getKey().getContent());
  System.out.printf("Key content bounding region: %s%n",
    documentKeyValuePair.getKey().getBoundingRegions().toString());

  if (documentKeyValuePair.getValue() != null) {
    System.out.printf("Value content: %s%n", documentKeyValuePair.getValue().getContent());
    System.out.printf("Value content bounding region: %s%n", documentKeyValuePair.getValue().getBoundingRegions().toString());
  }
});

}

}

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si obecný výstup modelu dokumentu.

Použití daňového modelu W-2

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 {
  //use your `key` and `endpoint` environment variables
  private static final String key = System.getenv("FR_KEY");
  private static final String endpoint = System.getenv("FR_ENDPOINT");

  public static void main(final String[] args) {

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

// sample document
String w2Url = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png";
String modelId = "prebuilt-tax.us.w2";

SyncPoller < OperationResult, AnalyzeResult > analyzeW2Poller =
  client.beginAnalyzeDocument(modelId, w2Url);

AnalyzeResult analyzeTaxResult = analyzeW2Poller.getFinalResult().getAnalyzeResult();

for (int i = 0; i < analyzeTaxResult.getDocuments().size(); i++) {
  AnalyzedDocument analyzedTaxDocument = analyzeTaxResult.getDocuments().get(i);
  Map < String, DocumentField > taxFields = analyzedTaxDocument.getFields();
  System.out.printf("----------- Analyzing Document  %d -----------%n", i);
  DocumentField w2FormVariantField = taxFields.get("W2FormVariant");
  if (w2FormVariantField != null) {
    if (DocumentFieldType.STRING == w2FormVariantField.getType()) {
      String merchantName = w2FormVariantField.getValueAsString();
      System.out.printf("Form variant: %s, confidence: %.2f%n",
        merchantName, w2FormVariantField.getConfidence());
    }
  }

  DocumentField employeeField = taxFields.get("Employee");
  if (employeeField != null) {
    System.out.println("Employee Data: ");
    if (DocumentFieldType.MAP == employeeField.getType()) {
      Map < String, DocumentField > employeeDataFieldMap = employeeField.getValueAsMap();
      DocumentField employeeName = employeeDataFieldMap.get("Name");
      if (employeeName != null) {
        if (DocumentFieldType.STRING == employeeName.getType()) {
          String employeesName = employeeName.getValueAsString();
          System.out.printf("Employee Name: %s, confidence: %.2f%n",
            employeesName, employeeName.getConfidence());
        }
      }
      DocumentField employeeAddrField = employeeDataFieldMap.get("Address");
      if (employeeAddrField != null) {
        if (DocumentFieldType.STRING == employeeAddrField.getType()) {
          String employeeAddress = employeeAddrField.getValueAsString();
          System.out.printf("Employee Address: %s, confidence: %.2f%n",
            employeeAddress, employeeAddrField.getConfidence());
        }
      }
    }
  }

  DocumentField employerField = taxFields.get("Employer");
  if (employerField != null) {
    System.out.println("Employer Data: ");
    if (DocumentFieldType.MAP == employerField.getType()) {
      Map < String, DocumentField > employerDataFieldMap = employerField.getValueAsMap();
      DocumentField employerNameField = employerDataFieldMap.get("Name");
      if (employerNameField != null) {
        if (DocumentFieldType.STRING == employerNameField.getType()) {
          String employerName = employerNameField.getValueAsString();
          System.out.printf("Employer Name: %s, confidence: %.2f%n",
            employerName, employerNameField.getConfidence());
        }
      }

      DocumentField employerIDNumberField = employerDataFieldMap.get("IdNumber");
      if (employerIDNumberField != null) {
        if (DocumentFieldType.STRING == employerIDNumberField.getType()) {
          String employerIdNumber = employerIDNumberField.getValueAsString();
          System.out.printf("Employee ID Number: %s, confidence: %.2f%n",
            employerIdNumber, employerIDNumberField.getConfidence());
        }
      }
    }
  }

  DocumentField taxYearField = taxFields.get("TaxYear");
  if (taxYearField != null) {
    if (DocumentFieldType.STRING == taxYearField.getType()) {
      String taxYear = taxYearField.getValueAsString();
      System.out.printf("Tax year: %s, confidence: %.2f%n",
        taxYear, taxYearField.getConfidence());
    }
  }

  DocumentField taxDateField = taxFields.get("TaxDate");
  if (taxDateField != null) {
    if (DocumentFieldType.DATE == taxDateField.getType()) {
      LocalDate taxDate = taxDateField.getValueAsDate();
      System.out.printf("Tax Date: %s, confidence: %.2f%n",
        taxDate, taxDateField.getConfidence());
    }
  }

  DocumentField socialSecurityTaxField = taxFields.get("SocialSecurityTaxWithheld");
  if (socialSecurityTaxField != null) {
    if (DocumentFieldType.DOUBLE == socialSecurityTaxField.getType()) {
      Double socialSecurityTax = socialSecurityTaxField.getValueAsDouble();
      System.out.printf("Social Security Tax withheld: %.2f, confidence: %.2f%n",
        socialSecurityTax, socialSecurityTaxField.getConfidence());
    }
  }
}
}
}

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup daňového modelu W-2.

Použití modelu faktury

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 {
  //use your `key` and `endpoint` environment variables
  private static final String key = System.getenv("FR_KEY");
  private static final String endpoint = System.getenv("FR_ENDPOINT");

  public static void main(final String[] args) {

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

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

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

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

for (int i = 0; i < analyzeInvoiceResult.getDocuments().size(); i++) {
  AnalyzedDocument 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.getValueAsString();
      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.getValueAsString();
      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.getValueAsString();
      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.getValueAsString();
      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.getValueAsString();
      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.getValueAsDate();
      System.out.printf("Invoice Date: %s, confidence: %.2f%n",
        invoiceDate, invoiceDateField.getConfidence());
    }
  }

  DocumentField invoiceTotalField = invoiceFields.get("InvoiceTotal");
  if (customerAddressRecipientField != null) {
    if (DocumentFieldType.DOUBLE == invoiceTotalField.getType()) {
      Double invoiceTotal = invoiceTotalField.getValueAsDouble();
      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.LIST == invoiceItemsField.getType()) {
      List < DocumentField > invoiceItems = invoiceItemsField.getValueAsList();
      invoiceItems.stream()
        .filter(invoiceItem -> DocumentFieldType.MAP == invoiceItem.getType())
        .map(documentField -> documentField.getValueAsMap())
        .forEach(documentFieldMap -> documentFieldMap.forEach((key, documentField) -> {
          if ("Description".equals(key)) {
            if (DocumentFieldType.STRING == documentField.getType()) {
              String name = documentField.getValueAsString();
              System.out.printf("Description: %s, confidence: %.2fs%n",
                name, documentField.getConfidence());
            }
          }
          if ("Quantity".equals(key)) {
            if (DocumentFieldType.DOUBLE == documentField.getType()) {
              Double quantity = documentField.getValueAsDouble();
              System.out.printf("Quantity: %f, confidence: %.2f%n",
                quantity, documentField.getConfidence());
            }
          }
          if ("UnitPrice".equals(key)) {
            if (DocumentFieldType.DOUBLE == documentField.getType()) {
              Double unitPrice = documentField.getValueAsDouble();
              System.out.printf("Unit Price: %f, confidence: %.2f%n",
                unitPrice, documentField.getConfidence());
            }
          }
          if ("ProductCode".equals(key)) {
            if (DocumentFieldType.DOUBLE == documentField.getType()) {
              Double productCode = documentField.getValueAsDouble();
              System.out.printf("Product Code: %f, confidence: %.2f%n",
                productCode, documentField.getConfidence());
            }
          }
        }));
    }
  }
}
}
}

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu faktury.

Použití modelu účtenek

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 {
  //use your `key` and `endpoint` environment variables
  private static final String key = System.getenv("FR_KEY");
  private static final String endpoint = System.getenv("FR_ENDPOINT");

  public static void main(final String[] args) {

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

String receiptUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/receipt.png";
String modelId = "prebuilt-receipt";

SyncPoller < OperationResult, AnalyzeResult > analyzeReceiptPoller =
  client.beginAnalyzeDocument(modelId, receiptUrl);

AnalyzeResult receiptResults = analyzeReceiptPoller.getFinalResult().getAnalyzeResult();

for (int i = 0; i < receiptResults.getDocuments().size(); i++) {
  AnalyzedDocument analyzedReceipt = receiptResults.getDocuments().get(i);
  Map < String, DocumentField > receiptFields = analyzedReceipt.getFields();
  System.out.printf("----------- Analyzing receipt info %d -----------%n", i);
  DocumentField merchantNameField = receiptFields.get("MerchantName");
  if (merchantNameField != null) {
    if (DocumentFieldType.STRING == merchantNameField.getType()) {
      String merchantName = merchantNameField.getValueAsString();
      System.out.printf("Merchant Name: %s, confidence: %.2f%n",
        merchantName, merchantNameField.getConfidence());
    }
  }

  DocumentField merchantPhoneNumberField = receiptFields.get("MerchantPhoneNumber");
  if (merchantPhoneNumberField != null) {
    if (DocumentFieldType.PHONE_NUMBER == merchantPhoneNumberField.getType()) {
      String merchantAddress = merchantPhoneNumberField.getValueAsPhoneNumber();
      System.out.printf("Merchant Phone number: %s, confidence: %.2f%n",
        merchantAddress, merchantPhoneNumberField.getConfidence());
    }
  }

  DocumentField merchantAddressField = receiptFields.get("MerchantAddress");
  if (merchantAddressField != null) {
    if (DocumentFieldType.STRING == merchantAddressField.getType()) {
      String merchantAddress = merchantAddressField.getValueAsString();
      System.out.printf("Merchant Address: %s, confidence: %.2f%n",
        merchantAddress, merchantAddressField.getConfidence());
    }
  }

  DocumentField transactionDateField = receiptFields.get("TransactionDate");
  if (transactionDateField != null) {
    if (DocumentFieldType.DATE == transactionDateField.getType()) {
      LocalDate transactionDate = transactionDateField.getValueAsDate();
      System.out.printf("Transaction Date: %s, confidence: %.2f%n",
        transactionDate, transactionDateField.getConfidence());
    }
  }

  DocumentField receiptItemsField = receiptFields.get("Items");
  if (receiptItemsField != null) {
    System.out.printf("Receipt Items: %n");
    if (DocumentFieldType.LIST == receiptItemsField.getType()) {
      List < DocumentField > receiptItems = receiptItemsField.getValueAsList();
      receiptItems.stream()
        .filter(receiptItem -> DocumentFieldType.MAP == receiptItem.getType())
        .map(documentField -> documentField.getValueAsMap())
        .forEach(documentFieldMap -> documentFieldMap.forEach((key, documentField) -> {
          if ("Name".equals(key)) {
            if (DocumentFieldType.STRING == documentField.getType()) {
              String name = documentField.getValueAsString();
              System.out.printf("Name: %s, confidence: %.2fs%n",
                name, documentField.getConfidence());
            }
          }
          if ("Quantity".equals(key)) {
            if (DocumentFieldType.DOUBLE == documentField.getType()) {
              Double quantity = documentField.getValueAsDouble();
              System.out.printf("Quantity: %f, confidence: %.2f%n",
                quantity, documentField.getConfidence());
            }
          }
          if ("Price".equals(key)) {
            if (DocumentFieldType.DOUBLE == documentField.getType()) {
              Double price = documentField.getValueAsDouble();
              System.out.printf("Price: %f, confidence: %.2f%n",
                price, documentField.getConfidence());
            }
          }
          if ("TotalPrice".equals(key)) {
            if (DocumentFieldType.DOUBLE == documentField.getType()) {
              Double totalPrice = documentField.getValueAsDouble();
              System.out.printf("Total Price: %f, confidence: %.2f%n",
                totalPrice, documentField.getConfidence());
            }
          }
        }));
    }
  }
}
}
}

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu účtenky.

Použití modelu dokumentu ID

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 {
  //use your `key` and `endpoint` environment variables
  private static final String key = System.getenv("FR_KEY");
  private static final String endpoint = System.getenv("FR_ENDPOINT");

  public static void main(final String[] args) {

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

//sample document
String licenseUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png";
String modelId = "prebuilt-idDocument";

SyncPoller < OperationResult, AnalyzeResult > analyzeIdentityDocumentPoller = client.beginAnalyzeDocument(modelId, licenseUrl);

AnalyzeResult identityDocumentResults = analyzeIdentityDocumentPoller.getFinalResult().getAnalyzeResult();

for (int i = 0; i < identityDocumentResults.getDocuments().size(); i++) {
  AnalyzedDocument analyzedIDDocument = identityDocumentResults.getDocuments().get(i);
  Map < String, DocumentField > licenseFields = analyzedIDDocument.getFields();
  System.out.printf("----------- Analyzed license info for page %d -----------%n", i);
  DocumentField addressField = licenseFields.get("Address");
  if (addressField != null) {
    if (DocumentFieldType.STRING == addressField.getType()) {
      String address = addressField.getValueAsString();
      System.out.printf("Address: %s, confidence: %.2f%n",
        address, addressField.getConfidence());
    }
  }

  DocumentField countryRegionDocumentField = licenseFields.get("CountryRegion");
  if (countryRegionDocumentField != null) {
    if (DocumentFieldType.STRING == countryRegionDocumentField.getType()) {
      String countryRegion = countryRegionDocumentField.getValueAsCountry();
      System.out.printf("Country or region: %s, confidence: %.2f%n",
        countryRegion, countryRegionDocumentField.getConfidence());
    }
  }

  DocumentField dateOfBirthField = licenseFields.get("DateOfBirth");
  if (dateOfBirthField != null) {
    if (DocumentFieldType.DATE == dateOfBirthField.getType()) {
      LocalDate dateOfBirth = dateOfBirthField.getValueAsDate();
      System.out.printf("Date of Birth: %s, confidence: %.2f%n",
        dateOfBirth, dateOfBirthField.getConfidence());
    }
  }

  DocumentField dateOfExpirationField = licenseFields.get("DateOfExpiration");
  if (dateOfExpirationField != null) {
    if (DocumentFieldType.DATE == dateOfExpirationField.getType()) {
      LocalDate expirationDate = dateOfExpirationField.getValueAsDate();
      System.out.printf("Document date of expiration: %s, confidence: %.2f%n",
        expirationDate, dateOfExpirationField.getConfidence());
    }
  }

  DocumentField documentNumberField = licenseFields.get("DocumentNumber");
  if (documentNumberField != null) {
    if (DocumentFieldType.STRING == documentNumberField.getType()) {
      String documentNumber = documentNumberField.getValueAsString();
      System.out.printf("Document number: %s, confidence: %.2f%n",
        documentNumber, documentNumberField.getConfidence());
    }
  }

  DocumentField firstNameField = licenseFields.get("FirstName");
  if (firstNameField != null) {
    if (DocumentFieldType.STRING == firstNameField.getType()) {
      String firstName = firstNameField.getValueAsString();
      System.out.printf("First Name: %s, confidence: %.2f%n",
        firstName, documentNumberField.getConfidence());
    }
  }

  DocumentField lastNameField = licenseFields.get("LastName");
  if (lastNameField != null) {
    if (DocumentFieldType.STRING == lastNameField.getType()) {
      String lastName = lastNameField.getValueAsString();
      System.out.printf("Last name: %s, confidence: %.2f%n",
        lastName, lastNameField.getConfidence());
    }
  }

  DocumentField regionField = licenseFields.get("Region");
  if (regionField != null) {
    if (DocumentFieldType.STRING == regionField.getType()) {
      String region = regionField.getValueAsString();
      System.out.printf("Region: %s, confidence: %.2f%n",
        region, regionField.getConfidence());
    }
  }
}
}
}

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu dokumentu ID.

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

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.

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

• Nejnovější LTS verze Node.js.

• Služby Azure AI nebo prostředek Document Intelligence Vytvořte jednu službu nebo více služeb. 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 pomocí jednoho koncového bodu a klíče, vytvořte prostředek služeb Azure AI. Pouze pro přístup k funkci Document Intelligence vytvořte prostředek Document Intelligence. Pokud máte v úmyslu používat ověřování Microsoft Entra, potřebujete prostředek s jednou službou.

• Klíč a koncový bod z prostředku, který vytvoříte pro připojení aplikace ke službě Azure Document Intelligence

  1. Po nasazení prostředku vyberte Přejít k prostředku.
  2. V levé navigační nabídce vyberte Klíče a koncový bod.
  3. Zkopírujte jeden z klíčů a koncový bod pro pozdější použití v tomto článku.

  

• Soubor dokumentu na adrese URL. Pro tento projekt můžete pro každou funkci použít ukázkové formuláře uvedené v následující tabulce:

  Funkce	ID modelu	adresa URL dokumentu
  Čtení modelu	předem připravená čtení	Ukázková brožura
  Model rozložení	předem připravené rozložení	Potvrzení ukázkové rezervace
  Formulářový model W-2	prebuilt-tax.us.w2	Ukázkový formulář W-2
  Model faktury	předem připravená faktura	Ukázková faktura
  Model účtenek	předem připravená potvrzení	Ukázková potvrzení
  Model dokumentu ID	prebuilt-idDocument	Ukázkový dokument s ID

Nastavení proměnných prostředí

Pokud chcete pracovat se službou Document Intelligence, musíte vytvořit instanci DocumentAnalysisClient třídy. Provedete to tak, že na webu Azure Portal vytvoří instanci klienta s vaším key klientem a endpoint z webu Azure Portal. Pro tento projekt použijte proměnné prostředí k ukládání a přístupu k přihlašovacím údajům.

Důležité

Nezahrnujte svůj klíč přímo do kódu a nikdy ho nezpřístupňujte veřejně. V produkčním prostředí použijte zabezpečený způsob ukládání přihlašovacích údajů a přístup k němu, jako je Azure Key Vault. Další informace najdete v tématu Zabezpečení služeb Azure AI.

Pokud chcete nastavit proměnnou prostředí pro klíč prostředku Document Intelligence, otevřete okno konzoly a postupujte podle pokynů pro operační systém a vývojové prostředí. Nahraďte <klíč> a <vášEndpoint> hodnotami z vašeho prostředku na webu Azure Portal.

Windows

Proměnné prostředí ve Windows nerozlišují malá a velká písmena. Obvykle se deklarují velkými písmeny a slova spojená podtržítkem. Na příkazovém řádku spusťte následující příkazy:

1. Nastavte proměnnou klíče:

   setx DI_KEY <yourKey>
   

2. Nastavení proměnné koncového bodu

   setx DI_ENDPOINT <yourEndpoint>
   

3. Po nastavení proměnných prostředí zavřete okno příkazového řádku. Hodnoty zůstanou, dokud je znovu nezměníte.

4. Restartujte všechny spuštěné programy, které čtou proměnnou prostředí. Pokud například jako editor používáte Visual Studio nebo Visual Studio Code, restartujte ho před spuštěním ukázkového kódu.

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
setx VARIABLE_NAME=	Odstraňte proměnnou prostředí nastavením hodnoty na prázdný řetězec.	setx DI_KEY=
setx VARIABLE_NAME=value	Nastavte nebo změňte hodnotu proměnné prostředí.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zobrazí hodnotu konkrétní proměnné prostředí.	set DI_KEY
set	Zobrazí všechny proměnné prostředí.	set

macOS

Proměnné prostředí v systému macOS rozlišují malá a velká písmena. Obvykle se název proměnné deklaruje velkými písmeny.

Příkaz export nastaví proměnnou a exportuje ji do globálního prostředí, které je dostupné pro jiné procesy. Hodnota je však dočasná a trvá pouze do doby, než relaci terminálu zavřete. Otevřete terminál a zadejte následující příkazy:

1. Nastavte proměnnou klíče:

   export key=<yourKey>
   

2. Nastavte proměnnou koncového bodu:

   export endpoint=<yourEndpoint>
   

Pokud chcete nastavit proměnnou prostředí trvale, umístěte příkaz pro export do spouštěcího skriptu Bash ~/.bash_profile :

1. Pomocí textového editoru otevřete soubor ~/.bash_profile a přidejte následující příkaz, který vytvoří trvalou proměnnou prostředí:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Příklad: export DI_KEY="<yourKey>"

2. Uložte změny do souboru bash_profile .

3. Pokud chcete změny provést efektivně, spusťte z okna terminálu následující příkaz:

   source ~/.bash-profile
   

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
unset VARIABLE_NAME	Odstraňte proměnnou prostředí.	unset DI_KEY
export VARIABLE_NAME=value	Nastavte nebo změňte hodnotu dočasné proměnné prostředí.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zobrazí hodnotu konkrétní proměnné prostředí. echo Pomocí příkazu před proměnnou nahraďte znakem $.	printenv DI_KEY echo $DI_KEY
printenv	Zobrazí všechny proměnné prostředí.	printenv

Linux

Proměnné prostředí v Linuxu rozlišují malá a velká písmena. Obvykle se název proměnné deklaruje velkými písmeny.

Příkaz export nastaví proměnnou a exportuje ji do globálního prostředí, které je dostupné pro jiné procesy. Hodnota je však dočasná a trvá pouze do doby, než relaci terminálu zavřete:

1. Nastavte proměnnou klíče:

   export DI_KEY=<yourKey>
   

2. Nastavte proměnnou koncového bodu:

   export DI_ENDPOINT=<yourEndpoint>
   

Pokud chcete nastavit proměnnou prostředí trvale, umístěte příkaz pro export do spouštěcího skriptu Bash ~/.bashrc :

1. Pomocí textového editoru otevřete soubor ~/.bashrc a přidejte následující příkaz, který vytvoří trvalou proměnnou prostředí:

   export <VARIABLE>=<value>
   

   Příklad: export DI_KEY=<yourKey>

2. Uložte změny do souboru .bashrc .

3. Pokud chcete změny provést efektivně, spusťte z okna terminálu následující příkaz:

   source ~/.bashrc
   

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
unset VARIABLE_NAME	Odstraňte proměnnou prostředí.	unset DI_KEY=
export VARIABLE_NAME=value	Nastavte nebo změňte hodnotu dočasné proměnné prostředí.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zobrazí hodnotu proměnné prostředí. echo Pomocí příkazu před proměnnou nahraďte znakem $.	printenv DI_KEY echo $DI_KEY
printenv	Zobrazí všechny proměnné prostředí.	printenv

Nastavení programovacího prostředí

Vytvořte aplikaci Node.js Express.

1. V okně konzoly 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 ponechat index.js název vstupního bodu. Popis, testovací příkaz, úložiště GitHub, klíčová slova, autor a informace o licenci jsou volitelné atributy. Můžete je přeskočit pro tento projekt.
   • Výběrem klávesy Enter přijměte návrhy v závorkách.

   Po dokončení výzev příkaz vytvoří package.json soubor v adresáři doc-intel-app .

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 package.json vaší aplikace se aktualizuje o závislosti.

1. V adresáři aplikace vytvořte soubor s názvem index.js .

   Tip

   Nový soubor můžete vytvořit pomocí PowerShellu. Otevřete okno PowerShellu v adresáři projektu tak, že podržíte klávesu Shift a kliknete pravým tlačítkem na složku a zadáte 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 AzureKeyCredential klíč s klíčem z webu Azure Portal a DocumentIntelligenceClient instanci s AzureKeyCredential koncovým bodem a koncovým bodem Document Intelligence.

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

• Předem připravený model pro čtení je jádrem všech modelů document intelligence a dokáže detekovat řádky, slova, umístění a jazyky. Rozložení, obecný dokument, předem připravené a vlastní modely používají read model jako základ pro extrakci textů z dokumentů.
• Předem vytvořený model rozložení extrahuje textová a textová umístění, tabulky, značky výběru a strukturu informací z dokumentů a obrázků.
• Předem vytvořený model tax.us.w2 extrahuje informace hlášené v daňových formulářích služby IRS (Us Internal Revenue Service).
• Předem připravený model faktury extrahuje informace hlášené ve formulářích daně z interní služby pro výnosy USA.
• Předem vytvořený model účtenek extrahuje klíčové informace z tištěných a rukou psaných prodejních účtenek.
• Předem vytvořený model idDocument extrahuje klíčové informace z licencí obchodních faktorů USA; mezinárodní životopisné stránky cestovního pasu; ID států USA; karty sociálního pojištění; a trvalé rezidentní karty.

Použití modelu pro čtení

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

//use your `key` and `endpoint` environment variables
const key = process.env['DI_KEY'];
const endpoint = process.env['DI_ENDPOINT'];

// sample document
const documentUrlRead = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/read.png"

// helper function
function* getTextOfSpans(content, spans) {
    for (const span of spans) {
        yield content.slice(span.offset, span.offset + span.length);
    }
}

async function main() {
    // create your `DocumentIntelligenceClient` instance and `AzureKeyCredential` variable
    const client = DocumentIntelligence(endpoint, new AzureKeyCredential(key));
    const poller = await client.beginAnalyzeDocument("prebuilt-read", documentUrlRead);

    const {
        content,
        pages,
        languages,
        styles
    } = 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 (page.lines.length > 0) {
                console.log("  Lines:");

                for (const line of page.lines) {
                    console.log(`  - "${line.content}"`);

                    // The words of the line can also be iterated independently. The words are computed based on their
                    // corresponding spans.
                    for (const word of line.words()) {
                        console.log(`    - "${word.content}"`);
                    }
                }
            }
        }
    }

    if (languages.length <= 0) {
        console.log("No language spans were extracted from the document.");
    } else {
        console.log("Languages:");
        for (const languageEntry of languages) {
            console.log(
                `- Found language: ${languageEntry.languageCode} (confidence: ${languageEntry.confidence})`
            );
            for (const text of getTextOfSpans(content, languageEntry.spans)) {
                const escapedText = text.replace(/\r?\n/g, "\\n").replace(/"/g, '\\"');
                console.log(`  - "${escapedText}"`);
            }
        }
    }

    if (styles.length <= 0) {
        console.log("No text styles were extracted from the document.");
    } else {
        console.log("Styles:");
        for (const style of styles) {
            console.log(
                `- Handwritten: ${style.isHandwritten ? "yes" : "no"} (confidence=${style.confidence})`
            );

            for (const word of getTextOfSpans(content, style.spans)) {
                console.log(`  - "${word}"`);
            }
        }
    }
}

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

Navštivte úložiště ukázek Azure na GitHubu read a prohlédněte si výstup modelu.

Použití modelu rozložení

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

//use your `key` and `endpoint` environment variables
const key = process.env['DI_KEY'];
const endpoint = process.env['DI_ENDPOINT'];

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

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

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

    // Layout extraction produces basic elements such as pages, words, lines, etc. as well as information about the
    // appearance (styles) of textual elements.
    const { pages, tables } = await poller.pollUntilDone();

    if (!pages || 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 && page.lines.length} lines, ${page.words && page.words.length} words`
        );

        if (page.lines && page.lines.length > 0) {
          console.log("  Lines:");

          for (const line of page.lines) {
            console.log(`  - "${line.content}"`);

            // The words of the line can also be iterated independently. The words are computed based on their
            // corresponding spans.
            for (const word of line.words()) {
              console.log(`    - "${word.content}"`);
            }
          }
        }
      }
    }

    if (!tables || 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);
  });

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu rozložení.

Použití modelu obecného dokumentu

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

//use your `key` and `endpoint` environment variables
const key = process.env['DI_KEY'];
const endpoint = process.env['DI_ENDPOINT'];

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

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

    const poller = await client.beginAnalyzeDocument("prebuilt-document", documentUrl);

    const {
        keyValuePairs
    } = await poller.pollUntilDone();

    if (!keyValuePairs || keyValuePairs.length <= 0) {
        console.log("No key-value pairs were extracted from the document.");
    } else {
        console.log("Key-Value Pairs:");
        for (const {
                key,
                value,
                confidence
            } of keyValuePairs) {
            console.log("- Key  :", `"${key.content}"`);
            console.log("  Value:", `"${(value && value.content) || "<undefined>"}" (${confidence})`);
        }
    }

}

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

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si obecný výstup modelu dokumentu.

Použití daňového modelu W-2

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

//use your `key` and `endpoint` environment variables
const key = process.env['DI_KEY'];
const endpoint = process.env['DI_ENDPOINT'];

const w2DocumentURL = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png"

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

 const poller = await client.beginAnalyzeDocument("prebuilt-tax.us.w2", w2DocumentURL);

 const {
   documents: [result]
 } = await poller.pollUntilDone();

  if (result) {
    const { Employee, Employer, ControlNumber, TaxYear, AdditionalInfo } = result.fields;

    if (Employee) {
      const { Name, Address, SocialSecurityNumber } = Employee.properties;
      console.log("Employee:");
      console.log("  Name:", Name && Name.content);
      console.log("  SSN/TIN:", SocialSecurityNumber && SocialSecurityNumber.content);
      if (Address && Address.value) {
        const { streetAddress, postalCode } = Address.value;
        console.log("  Address:");
        console.log("    Street Address:", streetAddress);
        console.log("    Postal Code:", postalCode);
      }
    } else {
      console.log("No employee information extracted.");
    }

    if (Employer) {
      const { Name, Address, IdNumber } = Employer.properties;
      console.log("Employer:");
      console.log("  Name:", Name && Name.content);
      console.log("  ID (EIN):", IdNumber && IdNumber.content);

      if (Address && Address.value) {
        const { streetAddress, postalCode } = Address.value;
        console.log("  Address:");
        console.log("    Street Address:", streetAddress);
        console.log("    Postal Code:", postalCode);
      }
    } else {
      console.log("No employer information extracted.");
    }

    console.log("Control Number:", ControlNumber && ControlNumber.content);
    console.log("Tax Year:", TaxYear && TaxYear.content);

    if (AdditionalInfo) {
      console.log("Additional Info:");

      for (const info of AdditionalInfo.values) {
        const { LetterCode, Amount } = info.properties;
        console.log(`- ${LetterCode && LetterCode.content}: ${Amount && Amount.content}`);
      }
    }
  } else {
    throw new Error("Expected at least one document in the result.");
  }
}

main().catch((error) => {
  console.error(error);
  process.exit(1);
});

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup daňového modelu W-2.

Použití modelu faktury

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

//use your `key` and `endpoint` environment variables
const key = process.env['DI_KEY'];
const endpoint = process.env['DI_ENDPOINT'];

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

async function main() {

  const client = DocumentIntelligence(endpoint, new AzureKeyCredential(key));

  const poller = await client.beginAnalyzeDocument("prebuilt-invoice", invoiceUrl);

  const {
      documents: [result]
  } = await poller.pollUntilDone();

  if (result) {
      const invoice = result.fields;

      console.log("Vendor Name:", invoice.VendorName?.content);
      console.log("Customer Name:", invoice.CustomerName?.content);
      console.log("Invoice Date:", invoice.InvoiceDate?.content);
      console.log("Due Date:", invoice.DueDate?.content);

      console.log("Items:");
      for (const {
              properties: item
          } of invoice.Items?.values ?? []) {
          console.log("-", item.ProductCode?.content ?? "<no product code>");
          console.log("  Description:", item.Description?.content);
          console.log("  Quantity:", item.Quantity?.content);
          console.log("  Date:", item.Date?.content);
          console.log("  Unit:", item.Unit?.content);
          console.log("  Unit Price:", item.UnitPrice?.content);
          console.log("  Tax:", item.Tax?.content);
          console.log("  Amount:", item.Amount?.content);
      }

      console.log("Subtotal:", invoice.SubTotal?.content);
      console.log("Previous Unpaid Balance:", invoice.PreviousUnpaidBalance?.content);
      console.log("Tax:", invoice.TotalTax?.content);
      console.log("Amount Due:", invoice.AmountDue?.content);
  } else {
      throw new Error("Expected at least one receipt in the result.");
  }
}

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

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu faktury.

Použití modelu účtenek

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

//use your `key` and `endpoint` environment variables
const key = process.env['DI_KEY'];
const endpoint = process.env['DI_ENDPOINT'];

// sample url
const receiptUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/receipt.png";

async function main() {

    const client = DocumentIntelligence(endpoint, new AzureKeyCredential(key));

    const poller = await client.beginAnalyzeDocument("prebuilt-receipt", receiptUrl);

    const {
        documents: [result]
    } = await poller.pollUntilDone();

    if (result) {
        const {
            MerchantName,
            Items,
            Total
        } = result.fields;

        console.log("=== Receipt Information ===");
        console.log("Type:", result.docType);
        console.log("Merchant:", MerchantName && MerchantName.content);

        console.log("Items:");
        for (const item of (Items && Items.values) || []) {
            const {
                Description,
                TotalPrice
            } = item.properties;

            console.log("- Description:", Description && Description.content);
            console.log("  Total Price:", TotalPrice && TotalPrice.content);
        }

        console.log("Total:", Total && Total.content);
    } else {
        throw new Error("Expected at least one receipt in the result.");
    }

}

main().catch((err) => {
    console.error("The sample encountered an error:", err);
});

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu účtenky.

Použití modelu dokumentu ID

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

//use your `key` and `endpoint` environment variables
const key = process.env['DI_KEY'];
const endpoint = process.env['DI_ENDPOINT'];

// sample document
const idDocumentURL = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png"

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

 const poller = await client.beginAnalyzeDocument("prebuilt-idDocument", idDocumentURL);

 const {
   documents: [result]
 } = await poller.pollUntilDone();

  if (result) {
// The identity document model has multiple document types, so we need to know which document type was actually
    extracted.
    if (result.docType === "idDocument.driverLicense") {
      const { FirstName, LastName, DocumentNumber, DateOfBirth, DateOfExpiration, Height, Weight, EyeColor, Endorsements, Restrictions, VehicleClassifications} = result.fields;

// For the sake of the example, we'll only show a few of the fields that are produced.
      console.log("Extracted a Driver License:");
      console.log("  Name:", FirstName && FirstName.content, LastName && LastName.content);
      console.log("  License No.:", DocumentNumber && DocumentNumber.content);
      console.log("  Date of Birth:", DateOfBirth && DateOfBirth.content);
      console.log("  Expiration:", DateOfExpiration && DateOfExpiration.content);
      console.log("  Height:", Height && Height.content);
      console.log("  Weight:", Weight && Weight.content);
      console.log("  Eye color:", EyeColor && EyeColor.content);
      console.log("  Restrictions:", Restrictions && Restrictions.content);
      console.log("  Endorsements:", Endorsements && Endorsements.content);
      console.log("  Class:", VehicleClassifications && VehicleClassifications.content);
    } else if (result.docType === "idDocument.passport") {
// The passport document type extracts and parses the Passport's machine-readable zone
      if (!result.fields.machineReadableZone) {
        throw new Error("No Machine Readable Zone extracted from passport.");
      }

      const {
        FirstName,
        LastName,
        DateOfBirth,
        Nationality,
        DocumentNumber,
        CountryRegion,
        DateOfExpiration,
      } = result.fields.machineReadableZone.properties;

      console.log("Extracted a Passport:");
      console.log("  Name:", FirstName && FirstName.content, LastName && LastName.content);
      console.log("  Date of Birth:", DateOfBirth && DateOfBirth.content);
      console.log("  Nationality:", Nationality && Nationality.content);
      console.log("  Passport No.:", DocumentNumber && DocumentNumber.content);
      console.log("  Issuer:", CountryRegion && CountryRegion.content);
      console.log("  Expiration Date:", DateOfExpiration && DateOfExpiration.content);
    } else {
// The only reason this would happen is if the client library's schema for the prebuilt identity document model is
      out of date, and a new document type has been introduced.
      console.error("Unknown document type in result:", result);
    }
  } else {
    throw new Error("Expected at least one receipt in the result.");
  }
}

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

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu dokumentu ID.

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

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.

• Python 3.7 nebo novější Vaše instalace Pythonu by měla obsahovat pip. Spuštěním příkazu 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) Viz Začínáme s Pythonem v editoru Visual Studio Code.

• Služby Azure AI nebo prostředek Document Intelligence Vytvořte jednu službu nebo více služeb. K vyzkoušení služby můžete použít cenovou úroveňF0 Free a později upgradovat na placenou úroveň pro produkční prostředí.

• Klíč a koncový bod z prostředku, který vytvoříte pro připojení aplikace ke službě Azure Document Intelligence

  1. Po nasazení prostředku vyberte Přejít k prostředku.
  2. V levé navigační nabídce vyberte Klíče a koncový bod.
  3. Zkopírujte jeden z klíčů a koncový bod pro pozdější použití v tomto článku.

  

• Soubor dokumentu na adrese URL. Pro tento projekt můžete pro každou funkci použít ukázkové formuláře uvedené v následující tabulce:

  Funkce	ID modelu	adresa URL dokumentu
  Čtení modelu	předem připravená čtení	Ukázková brožura
  Model rozložení	předem připravené rozložení	Potvrzení ukázkové rezervace
  Formulářový model W-2	prebuilt-tax.us.w2	Ukázkový formulář W-2
  Model faktury	předem připravená faktura	Ukázková faktura
  Model účtenek	předem připravená potvrzení	Ukázková potvrzení
  Model dokumentu ID	prebuilt-idDocument	Ukázkový dokument s ID

Nastavení proměnných prostředí

Pokud chcete pracovat se službou Document Intelligence, musíte vytvořit instanci DocumentAnalysisClient třídy. Provedete to tak, že na webu Azure Portal vytvoří instanci klienta s vaším key klientem a endpoint z webu Azure Portal. Pro tento projekt použijte proměnné prostředí k ukládání a přístupu k přihlašovacím údajům.

Důležité

Nezahrnujte svůj klíč přímo do kódu a nikdy ho nezpřístupňujte veřejně. V produkčním prostředí použijte zabezpečený způsob ukládání přihlašovacích údajů a přístup k němu, jako je Azure Key Vault. Další informace najdete v tématu Zabezpečení služeb Azure AI.

Pokud chcete nastavit proměnnou prostředí pro klíč prostředku Document Intelligence, otevřete okno konzoly a postupujte podle pokynů pro operační systém a vývojové prostředí. Nahraďte <klíč> a <vášEndpoint> hodnotami z vašeho prostředku na webu Azure Portal.

Windows

Proměnné prostředí ve Windows nerozlišují malá a velká písmena. Obvykle se deklarují velkými písmeny a slova spojená podtržítkem. Na příkazovém řádku spusťte následující příkazy:

1. Nastavte proměnnou klíče:

   setx DI_KEY <yourKey>
   

2. Nastavení proměnné koncového bodu

   setx DI_ENDPOINT <yourEndpoint>
   

3. Po nastavení proměnných prostředí zavřete okno příkazového řádku. Hodnoty zůstanou, dokud je znovu nezměníte.

4. Restartujte všechny spuštěné programy, které čtou proměnnou prostředí. Pokud například jako editor používáte Visual Studio nebo Visual Studio Code, restartujte ho před spuštěním ukázkového kódu.

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
setx VARIABLE_NAME=	Odstraňte proměnnou prostředí nastavením hodnoty na prázdný řetězec.	setx DI_KEY=
setx VARIABLE_NAME=value	Nastavte nebo změňte hodnotu proměnné prostředí.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zobrazí hodnotu konkrétní proměnné prostředí.	set DI_KEY
set	Zobrazí všechny proměnné prostředí.	set

macOS

Proměnné prostředí v systému macOS rozlišují malá a velká písmena. Obvykle se název proměnné deklaruje velkými písmeny.

Příkaz export nastaví proměnnou a exportuje ji do globálního prostředí, které je dostupné pro jiné procesy. Hodnota je však dočasná a trvá pouze do doby, než relaci terminálu zavřete. Otevřete terminál a zadejte následující příkazy:

1. Nastavte proměnnou klíče:

   export key=<yourKey>
   

2. Nastavte proměnnou koncového bodu:

   export endpoint=<yourEndpoint>
   

Pokud chcete nastavit proměnnou prostředí trvale, umístěte příkaz pro export do spouštěcího skriptu Bash ~/.bash_profile :

1. Pomocí textového editoru otevřete soubor ~/.bash_profile a přidejte následující příkaz, který vytvoří trvalou proměnnou prostředí:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Příklad: export DI_KEY="<yourKey>"

2. Uložte změny do souboru bash_profile .

3. Pokud chcete změny provést efektivně, spusťte z okna terminálu následující příkaz:

   source ~/.bash-profile
   

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
unset VARIABLE_NAME	Odstraňte proměnnou prostředí.	unset DI_KEY
export VARIABLE_NAME=value	Nastavte nebo změňte hodnotu dočasné proměnné prostředí.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zobrazí hodnotu konkrétní proměnné prostředí. echo Pomocí příkazu před proměnnou nahraďte znakem $.	printenv DI_KEY echo $DI_KEY
printenv	Zobrazí všechny proměnné prostředí.	printenv

Linux

Proměnné prostředí v Linuxu rozlišují malá a velká písmena. Obvykle se název proměnné deklaruje velkými písmeny.

Příkaz export nastaví proměnnou a exportuje ji do globálního prostředí, které je dostupné pro jiné procesy. Hodnota je však dočasná a trvá pouze do doby, než relaci terminálu zavřete:

1. Nastavte proměnnou klíče:

   export DI_KEY=<yourKey>
   

2. Nastavte proměnnou koncového bodu:

   export DI_ENDPOINT=<yourEndpoint>
   

Pokud chcete nastavit proměnnou prostředí trvale, umístěte příkaz pro export do spouštěcího skriptu Bash ~/.bashrc :

1. Pomocí textového editoru otevřete soubor ~/.bashrc a přidejte následující příkaz, který vytvoří trvalou proměnnou prostředí:

   export <VARIABLE>=<value>
   

   Příklad: export DI_KEY=<yourKey>

2. Uložte změny do souboru .bashrc .

3. Pokud chcete změny provést efektivně, spusťte z okna terminálu následující příkaz:

   source ~/.bashrc
   

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
unset VARIABLE_NAME	Odstraňte proměnnou prostředí.	unset DI_KEY=
export VARIABLE_NAME=value	Nastavte nebo změňte hodnotu dočasné proměnné prostředí.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zobrazí hodnotu proměnné prostředí. echo Pomocí příkazu před proměnnou nahraďte znakem $.	printenv DI_KEY echo $DI_KEY
printenv	Zobrazí všechny proměnné prostředí.	printenv

Nastavení programovacího prostředí

Otevřete okno konzoly v místním prostředí a nainstalujte klientskou knihovnu Azure AI Document Intelligence pro Python pomocí 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 AzureKeyCredential klíč s klíčem z webu Azure Portal a DocumentIntelligenceClient instanci s AzureKeyCredential koncovým bodem a koncovým bodem Document Intelligence.

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

2. Otevřete soubor form_recognizer_quickstart.py a vyberte jednu z následujících ukázek kódu a zkopírujte a vložte do aplikace:

   • Předem připravený model pro čtení je jádrem všech modelů document intelligence a dokáže detekovat řádky, slova, umístění a jazyky. Rozložení, obecný dokument, předem připravené a vlastní modely používají read model jako základ pro extrakci textů z dokumentů.
   • Předem vytvořený model rozložení extrahuje textová a textová umístění, tabulky, značky výběru a strukturu informací z dokumentů a obrázků.
   • Předem vytvořený model tax.us.w2 extrahuje informace hlášené v daňových formulářích služby IRS (Us Internal Revenue Service).
   • Předem připravený model faktury extrahuje klíčová pole a řádkové položky z prodejních faktur v různých formátech.
   • Předem vytvořený model účtenek extrahuje klíčové informace z tištěných a rukou psaných prodejních účtenek.
   • Předem vytvořený model idDocument extrahuje klíčové informace z licencí obchodních faktorů USA; mezinárodní životopisné stránky cestovního pasu; ID států USA; karty sociálního pojištění; a trvalé rezidentní karty.

3. Spusťte kód Pythonu z příkazového řádku.

   python form_recognizer_quickstart.py
   

Použití modelu pro čtení

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

# use your `key` and `endpoint` environment variables
key = os.environ.get('DI_KEY')
endpoint = os.environ.get('DI_ENDPOINT')

# formatting function
def format_polygon(polygon):
    if not polygon:
        return "N/A"
    return ", ".join(["[{}, {}]".format(p.x, p.y) for p in polygon])


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

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

    poller = client.begin_analyze_document(
        "prebuilt-read", formUrl
    )
    result = poller.result()

    print("Document contains content: ", result.content)

    for idx, style in enumerate(result.styles):
        print(
            "Document contains {} content".format(
                "handwritten" if style.is_handwritten else "no handwritten"
            )
        )

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

        for line_idx, line in enumerate(page.lines):
            print(
                "...Line # {} has text content '{}' within bounding box '{}'".format(
                    line_idx,
                    line.content,
                    format_polygon(line.polygon),
                )
            )

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

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


if __name__ == "__main__":
    analyze_read()

Navštivte úložiště ukázek Azure na GitHubu read a prohlédněte si výstup modelu.

Použití modelu rozložení

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


# use your `key` and `endpoint` environment variables
key = os.environ.get('DI_KEY')
endpoint = os.environ.get('DI_ENDPOINT')

# formatting function
def format_polygon(polygon):
    if not polygon:
        return "N/A"
    return ", ".join(["[{}, {}]".format(p.x, p.y) for p in polygon])


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

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

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

    for idx, style in enumerate(result.styles):
        print(
            "Document contains {} content".format(
                "handwritten" if style.is_handwritten else "no handwritten"
            )
        )

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

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

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

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

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

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


if __name__ == "__main__":
    analyze_layout()

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu rozložení.

Použití modelu obecného dokumentu

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

# use your `key` and `endpoint` environment variables
key = os.environ.get('DI_KEY')
endpoint = os.environ.get('DI_ENDPOINT')

# formatting function
def format_bounding_region(bounding_regions):
    if not bounding_regions:
        return "N/A"
    return ", ".join("Page #{}: {}".format(region.page_number, format_polygon(region.polygon)) for region in bounding_regions)

# formatting function
def format_polygon(polygon):
    if not polygon:
        return "N/A"
    return ", ".join(["[{}, {}]".format(p.x, p.y) for p in polygon])


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

    # create your `DocumentIntelligenceClient` instance and `AzureKeyCredential` variable
   client = DocumentIntelligenceClient(endpoint=endpoint, credential=AzureKeyCredential(key))

    poller = client.begin_analyze_document(
            "prebuilt-document", docUrl)
    result = poller.result()

    for style in result.styles:
        if style.is_handwritten:
            print("Document contains handwritten content: ")
            print(",".join([result.content[span.offset:span.offset + span.length] for span in style.spans]))

    print("----Key-value pairs found in document----")
    for kv_pair in result.key_value_pairs:
        if kv_pair.key:
            print(
                    "Key '{}' found within '{}' bounding regions".format(
                        kv_pair.key.content,
                        format_bounding_region(kv_pair.key.bounding_regions),
                    )
                )
        if kv_pair.value:
            print(
                    "Value '{}' found within '{}' bounding regions\n".format(
                        kv_pair.value.content,
                        format_bounding_region(kv_pair.value.bounding_regions),
                    )
                )

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

        for line_idx, line in enumerate(page.lines):
            print(
                "...Line # {} has text content '{}' within bounding box '{}'".format(
                    line_idx,
                    line.content,
                    format_polygon(line.polygon),
                )
            )

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

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

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


if __name__ == "__main__":
    analyze_general_documents()

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si obecný výstup modelu dokumentu.

Použití daňového modelu W-2

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

# use your `key` and `endpoint` environment variables
key = os.environ.get('DI_KEY')
endpoint = os.environ.get('DI_ENDPOINT')

# formatting function
def format_address_value(address_value):
    return f"\n......House/building number: {address_value.house_number}\n......Road: {address_value.road}\n......City: {address_value.city}\n......State: {address_value.state}\n......Postal code: {address_value.postal_code}"


def analyze_tax_us_w2():
    # sample document
    formUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png"

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

    poller = client.begin_analyze_document(
        "prebuilt-tax.us.w2", formUrl
    )
    w2s = poller.result()

    for idx, w2 in enumerate(w2s.documents):
         print("--------Analyzing US Tax W-2 Form #{}--------".format(idx   1))
        form_variant = w2.fields.get("W2FormVariant")
        if form_variant:
            print(
                "Form variant: {} has confidence: {}".format(
                    form_variant.value, form_variant.confidence
                )
            )
        tax_year = w2.fields.get("TaxYear")
        if tax_year:
            print(
                "Tax year: {} has confidence: {}".format(
                    tax_year.value, tax_year.confidence
                )
            )
        w2_copy = w2.fields.get("W2Copy")
        if w2_copy:
            print(
                "W-2 Copy: {} has confidence: {}".format(
                    w2_copy.value,
                    w2_copy.confidence,
                )
            )
        employee = w2.fields.get("Employee")
        if employee:
            print("Employee data:")
            employee_name = employee.value.get("Name")
            if employee_name:
                print(
                    "...Name: {} has confidence: {}".format(
                        employee_name.value, employee_name.confidence
                    )
                )
            employee_ssn = employee.value.get("SocialSecurityNumber")
            if employee_ssn:
                print(
                    "...SSN: {} has confidence: {}".format(
                        employee_ssn.value, employee_ssn.confidence
                    )
                )
            employee_address = employee.value.get("Address")
            if employee_address:
                print(
                    "...Address: {}\n......has confidence: {}".format(
                        format_address_value(employee_address.value),
                        employee_address.confidence,
                    )
                )
            employee_zipcode = employee.value.get("ZipCode")
            if employee_zipcode:
                print(
                    "...Zipcode: {} has confidence: {}".format(
                        employee_zipcode.value, employee_zipcode.confidence
                    )
                )
        control_number = w2.fields.get("ControlNumber")
        if control_number:
            print(
                "Control Number: {} has confidence: {}".format(
                    control_number.value, control_number.confidence
                )
            )
        employer = w2.fields.get("Employer")
        if employer:
            print("Employer data:")
            employer_name = employer.value.get("Name")
            if employer_name:
                print(
                    "...Name: {} has confidence: {}".format(
                        employer_name.value, employer_name.confidence
                    )
                )
            employer_id = employer.value.get("IdNumber")
            if employer_id:
                print(
                    "...ID Number: {} has confidence: {}".format(
                        employer_id.value, employer_id.confidence
                    )
                )
            employer_address = employer.value.get("Address")
            if employer_address:
                print(
                    "...Address: {}\n......has confidence: {}".format(
                        format_address_value(employer_address.value),
                        employer_address.confidence,
                    )
                )
            employer_zipcode = employer.value.get("ZipCode")
            if employer_zipcode:
                print(
                    "...Zipcode: {} has confidence: {}".format(
                        employer_zipcode.value, employer_zipcode.confidence
                    )
                )
        wages_tips = w2.fields.get("WagesTipsAndOtherCompensation")
        if wages_tips:
            print(
                "Wages, tips, and other compensation: {} has confidence: {}".format(
                    wages_tips.value,
                    wages_tips.confidence,
                )
            )
        fed_income_tax_withheld = w2.fields.get("FederalIncomeTaxWithheld")
        if fed_income_tax_withheld:
            print(
                "Federal income tax withheld: {} has confidence: {}".format(
                    fed_income_tax_withheld.value, fed_income_tax_withheld.confidence
                )
            )
        social_security_wages = w2.fields.get("SocialSecurityWages")
        if social_security_wages:
            print(
                "Social Security wages: {} has confidence: {}".format(
                    social_security_wages.value, social_security_wages.confidence
                )
            )
        social_security_tax_withheld = w2.fields.get("SocialSecurityTaxWithheld")
        if social_security_tax_withheld:
            print(
                "Social Security tax withheld: {} has confidence: {}".format(
                    social_security_tax_withheld.value,
                    social_security_tax_withheld.confidence,
                )
            )
        medicare_wages_tips = w2.fields.get("MedicareWagesAndTips")
        if medicare_wages_tips:
            print(
                "Medicare wages and tips: {} has confidence: {}".format(
                    medicare_wages_tips.value, medicare_wages_tips.confidence
                )
            )
        medicare_tax_withheld = w2.fields.get("MedicareTaxWithheld")
        if medicare_tax_withheld:
            print(
                "Medicare tax withheld: {} has confidence: {}".format(
                    medicare_tax_withheld.value, medicare_tax_withheld.confidence
                )
            )
        social_security_tips = w2.fields.get("SocialSecurityTips")
        if social_security_tips:
            print(
                "Social Security tips: {} has confidence: {}".format(
                    social_security_tips.value, social_security_tips.confidence
                )
            )
        allocated_tips = w2.fields.get("AllocatedTips")
        if allocated_tips:
            print(
                "Allocated tips: {} has confidence: {}".format(
                    allocated_tips.value,
                    allocated_tips.confidence,
                )
            )
        verification_code = w2.fields.get("VerificationCode")
        if verification_code:
            print(
                "Verification code: {} has confidence: {}".format(
                    verification_code.value, verification_code.confidence
                )
            )
        dependent_care_benefits = w2.fields.get("DependentCareBenefits")
        if dependent_care_benefits:
            print(
                "Dependent care benefits: {} has confidence: {}".format(
                    dependent_care_benefits.value,
                    dependent_care_benefits.confidence,
                )
            )
        non_qualified_plans = w2.fields.get("NonQualifiedPlans")
        if non_qualified_plans:
            print(
                "Non-qualified plans: {} has confidence: {}".format(
                    non_qualified_plans.value,
                    non_qualified_plans.confidence,
                )
            )
        additional_info = w2.fields.get("AdditionalInfo")
        if additional_info:
            print("Additional information:")
            for item in additional_info.value:
                letter_code = item.value.get("LetterCode")
                if letter_code:
                    print(
                        "...Letter code: {} has confidence: {}".format(
                            letter_code.value, letter_code.confidence
                        )
                    )
                amount = item.value.get("Amount")
                if amount:
                    print(
                        "...Amount: {} has confidence: {}".format(
                            amount.value, amount.confidence
                        )
                    )
        is_statutory_employee = w2.fields.get("IsStatutoryEmployee")
        if is_statutory_employee:
            print(
                "Is statutory employee: {} has confidence: {}".format(
                    is_statutory_employee.value, is_statutory_employee.confidence
                )
            )
        is_retirement_plan = w2.fields.get("IsRetirementPlan")
        if is_retirement_plan:
            print(
                "Is retirement plan: {} has confidence: {}".format(
                    is_retirement_plan.value, is_retirement_plan.confidence
                )
            )
        third_party_sick_pay = w2.fields.get("IsThirdPartySickPay")
        if third_party_sick_pay:
            print(
                "Is third party sick pay: {} has confidence: {}".format(
                    third_party_sick_pay.value, third_party_sick_pay.confidence
                )
            )
        other_info = w2.fields.get("Other")
        if other_info:
            print(
                "Other information: {} has confidence: {}".format(
                    other_info.value,
                    other_info.confidence,
                )
            )
        state_tax_info = w2.fields.get("StateTaxInfos")
        if state_tax_info:
            print("State Tax info:")
            for tax in state_tax_info.value:
                state = tax.value.get("State")
                if state:
                    print(
                        "...State: {} has confidence: {}".format(
                            state.value, state.confidence
                        )
                    )
                employer_state_id_number = tax.value.get("EmployerStateIdNumber")
                if employer_state_id_number:
                    print(
                        "...Employer state ID number: {} has confidence: {}".format(
                            employer_state_id_number.value,
                            employer_state_id_number.confidence,
                        )
                    )
                state_wages_tips = tax.value.get("StateWagesTipsEtc")
                if state_wages_tips:
                    print(
                        "...State wages, tips, etc: {} has confidence: {}".format(
                            state_wages_tips.value, state_wages_tips.confidence
                        )
                    )
                state_income_tax = tax.value.get("StateIncomeTax")
                if state_income_tax:
                    print(
                        "...State income tax: {} has confidence: {}".format(
                            state_income_tax.value, state_income_tax.confidence
                        )
                    )
        local_tax_info = w2.fields.get("LocalTaxInfos")
        if local_tax_info:
            print("Local Tax info:")
            for tax in local_tax_info.value:
                local_wages_tips = tax.value.get("LocalWagesTipsEtc")
                if local_wages_tips:
                    print(
                        "...Local wages, tips, etc: {} has confidence: {}".format(
                            local_wages_tips.value, local_wages_tips.confidence
                        )
                    )
                local_income_tax = tax.value.get("LocalIncomeTax")
                if local_income_tax:
                    print(
                        "...Local income tax: {} has confidence: {}".format(
                            local_income_tax.value, local_income_tax.confidence
                        )
                    )
                locality_name = tax.value.get("LocalityName")
                if locality_name:
                    print(
                        "...Locality name: {} has confidence: {}".format(
                            locality_name.value, locality_name.confidence
                        )
                    )

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


if __name__ == "__main__":
    analyze_tax_us_w2()

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup daňového modelu W-2.

Použití modelu faktury

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

# use your `key` and `endpoint` environment variables
key = os.environ.get('DI_KEY')
endpoint = os.environ.get('DI_ENDPOINT')

# formatting function
def format_bounding_region(bounding_regions):
    if not bounding_regions:
        return "N/A"
    return ", ".join("Page #{}: {}".format(region.page_number, format_polygon(region.polygon)) for region in bounding_regions)

# formatting function
def format_polygon(polygon):
    if not polygon:
        return "N/A"
    return ", ".join(["[{}, {}]".format(p.x, p.y) for p in polygon])


def analyze_invoice():

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

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

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

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

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

if __name__ == "__main__":
    analyze_invoice()

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu faktury.

Použití modelu účtenek

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

# use your `key` and `endpoint` environment variables
key = os.environ.get('DI_KEY')
endpoint = os.environ.get('DI_ENDPOINT')

def analyze_receipts():
    # sample document
    receiptUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/receipt.png"

   client = DocumentIntelligenceClient(
        endpoint=endpoint, credential=AzureKeyCredential(key)
    )
    poller = client.begin_analyze_document(
        "prebuilt-receipt", receiptUrl, locale="en-US"
    )
    receipts = poller.result()
    for idx, receipt in enumerate(receipts.documents):
         print("--------Analysis of receipt #{}--------".format(idx   1))
        print("Receipt type: {}".format(receipt.doc_type or "N/A"))
        merchant_name = receipt.fields.get("MerchantName")
        if merchant_name:
            print(
                "Merchant Name: {} has confidence: {}".format(
                    merchant_name.value, merchant_name.confidence
                )
            )
        transaction_date = receipt.fields.get("TransactionDate")
        if transaction_date:
            print(
                "Transaction Date: {} has confidence: {}".format(
                    transaction_date.value, transaction_date.confidence
                )
            )
        if receipt.fields.get("Items"):
            print("Receipt items:")
            for idx, item in enumerate(receipt.fields.get("Items").value):
                 print("...Item #{}".format(idx   1))
                item_description = item.value.get("Description")
                if item_description:
                    print(
                        "......Item Description: {} has confidence: {}".format(
                            item_description.value, item_description.confidence
                        )
                    )
                item_quantity = item.value.get("Quantity")
                if item_quantity:
                    print(
                        "......Item Quantity: {} has confidence: {}".format(
                            item_quantity.value, item_quantity.confidence
                        )
                    )
                item_price = item.value.get("Price")
                if item_price:
                    print(
                        "......Individual Item Price: {} has confidence: {}".format(
                            item_price.value, item_price.confidence
                        )
                    )
                item_total_price = item.value.get("TotalPrice")
                if item_total_price:
                    print(
                        "......Total Item Price: {} has confidence: {}".format(
                            item_total_price.value, item_total_price.confidence
                        )
                    )
        subtotal = receipt.fields.get("Subtotal")
        if subtotal:
            print(
                "Subtotal: {} has confidence: {}".format(
                    subtotal.value, subtotal.confidence
                )
            )
        tax = receipt.fields.get("TotalTax")
        if tax:
            print("Total tax: {} has confidence: {}".format(tax.value, tax.confidence))
        tip = receipt.fields.get("Tip")
        if tip:
            print("Tip: {} has confidence: {}".format(tip.value, tip.confidence))
        total = receipt.fields.get("Total")
        if total:
            print("Total: {} has confidence: {}".format(total.value, total.confidence))
        print("--------------------------------------")


if __name__ == "__main__":
    analyze_receipts()

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu účtenky.

Použití modelu dokumentu ID

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

# use your `key` and `endpoint` environment variables
key = os.environ.get('DI_KEY')
endpoint = os.environ.get('DI_ENDPOINT')

def analyze_identity_documents():
# sample document
    identityUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png"

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

    poller =client.begin_analyze_document(
            "prebuilt-idDocument", identityUrl
        )
    id_documents = poller.result()

    for idx, id_document in enumerate(id_documents.documents):
        print("--------Analyzing ID document #{}--------".format(idx + 1))
        first_name = id_document.fields.get("FirstName")
        if first_name:
            print(
                "First Name: {} has confidence: {}".format(
                    first_name.value, first_name.confidence
                )
            )
        last_name = id_document.fields.get("LastName")
        if last_name:
            print(
                "Last Name: {} has confidence: {}".format(
                    last_name.value, last_name.confidence
                )
            )
        document_number = id_document.fields.get("DocumentNumber")
        if document_number:
            print(
                "Document Number: {} has confidence: {}".format(
                    document_number.value, document_number.confidence
                )
            )
        dob = id_document.fields.get("DateOfBirth")
        if dob:
            print(
                "Date of Birth: {} has confidence: {}".format(dob.value, dob.confidence)
            )
        doe = id_document.fields.get("DateOfExpiration")
        if doe:
            print(
                "Date of Expiration: {} has confidence: {}".format(
                    doe.value, doe.confidence
                )
            )
        sex = id_document.fields.get("Sex")
        if sex:
            print("Sex: {} has confidence: {}".format(sex.value, sex.confidence))
        address = id_document.fields.get("Address")
        if address:
            print(
                "Address: {} has confidence: {}".format(
                    address.value, address.confidence
                )
            )
        country_region = id_document.fields.get("CountryRegion")
        if country_region:
            print(
                "Country/Region: {} has confidence: {}".format(
                    country_region.value, country_region.confidence
                )
            )
        region = id_document.fields.get("Region")
        if region:
            print(
                "Region: {} has confidence: {}".format(region.value, region.confidence)
            )

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

if __name__ == "__main__":
    analyze_identity_documents()

Navštivte úložiště ukázek Azure na GitHubu a prohlédněte si výstup modelu dokumentu ID.

Poznámka:

Tento projekt používá nástroj příkazového řádku cURL ke spouštění volání rozhraní REST API.

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

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.

• Nainstalovaný nástroj příkazového řádku cURL. Windows 10 a Windows 11 se dodávají s kopií cURL. Na příkazovém řádku zadejte následující příkaz cURL. Pokud se zobrazí možnosti nápovědy, nainstaluje se ve vašem prostředí Windows cURL.

  curl -help
  

  Pokud není nainstalovaný cURL, můžete ho získat tady:

  • Windows
  • Mac nebo Linux

• Služby Azure AI nebo prostředek Document Intelligence Vytvořte jednu službu nebo více služeb. K vyzkoušení služby můžete použít cenovou úroveňF0 Free a později upgradovat na placenou úroveň pro produkční prostředí.

• Klíč a koncový bod z prostředku, který vytvoříte pro připojení aplikace ke službě Azure Document Intelligence

  1. Po nasazení prostředku vyberte Přejít k prostředku.
  2. V levé navigační nabídce vyberte Klíče a koncový bod.
  3. Zkopírujte jeden z klíčů a koncový bod pro pozdější použití v tomto článku.

  

Nastavení proměnných prostředí

Pokud chcete pracovat se službou Document Intelligence, musíte vytvořit instanci DocumentAnalysisClient třídy. Provedete to tak, že na webu Azure Portal vytvoří instanci klienta s vaším key klientem a endpoint z webu Azure Portal. Pro tento projekt použijte proměnné prostředí k ukládání a přístupu k přihlašovacím údajům.

Důležité

Nezahrnujte svůj klíč přímo do kódu a nikdy ho nezpřístupňujte veřejně. V produkčním prostředí použijte zabezpečený způsob ukládání přihlašovacích údajů a přístup k němu, jako je Azure Key Vault. Další informace najdete v tématu Zabezpečení služeb Azure AI.

Pokud chcete nastavit proměnnou prostředí pro klíč prostředku Document Intelligence, otevřete okno konzoly a postupujte podle pokynů pro operační systém a vývojové prostředí. Nahraďte <klíč> a <vášEndpoint> hodnotami z vašeho prostředku na webu Azure Portal.

Windows

Proměnné prostředí ve Windows nerozlišují malá a velká písmena. Obvykle se deklarují velkými písmeny a slova spojená podtržítkem. Na příkazovém řádku spusťte následující příkazy:

1. Nastavte proměnnou klíče:

   setx DI_KEY <yourKey>
   

2. Nastavení proměnné koncového bodu

   setx DI_ENDPOINT <yourEndpoint>
   

3. Po nastavení proměnných prostředí zavřete okno příkazového řádku. Hodnoty zůstanou, dokud je znovu nezměníte.

4. Restartujte všechny spuštěné programy, které čtou proměnnou prostředí. Pokud například jako editor používáte Visual Studio nebo Visual Studio Code, restartujte ho před spuštěním ukázkového kódu.

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
setx VARIABLE_NAME=	Odstraňte proměnnou prostředí nastavením hodnoty na prázdný řetězec.	setx DI_KEY=
setx VARIABLE_NAME=value	Nastavte nebo změňte hodnotu proměnné prostředí.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zobrazí hodnotu konkrétní proměnné prostředí.	set DI_KEY
set	Zobrazí všechny proměnné prostředí.	set

macOS

Proměnné prostředí v systému macOS rozlišují malá a velká písmena. Obvykle se název proměnné deklaruje velkými písmeny.

Příkaz export nastaví proměnnou a exportuje ji do globálního prostředí, které je dostupné pro jiné procesy. Hodnota je však dočasná a trvá pouze do doby, než relaci terminálu zavřete. Otevřete terminál a zadejte následující příkazy:

1. Nastavte proměnnou klíče:

   export key=<yourKey>
   

2. Nastavte proměnnou koncového bodu:

   export endpoint=<yourEndpoint>
   

Pokud chcete nastavit proměnnou prostředí trvale, umístěte příkaz pro export do spouštěcího skriptu Bash ~/.bash_profile :

1. Pomocí textového editoru otevřete soubor ~/.bash_profile a přidejte následující příkaz, který vytvoří trvalou proměnnou prostředí:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Příklad: export DI_KEY="<yourKey>"

2. Uložte změny do souboru bash_profile .

3. Pokud chcete změny provést efektivně, spusťte z okna terminálu následující příkaz:

   source ~/.bash-profile
   

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
unset VARIABLE_NAME	Odstraňte proměnnou prostředí.	unset DI_KEY
export VARIABLE_NAME=value	Nastavte nebo změňte hodnotu dočasné proměnné prostředí.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zobrazí hodnotu konkrétní proměnné prostředí. echo Pomocí příkazu před proměnnou nahraďte znakem $.	printenv DI_KEY echo $DI_KEY
printenv	Zobrazí všechny proměnné prostředí.	printenv

Linux

Proměnné prostředí v Linuxu rozlišují malá a velká písmena. Obvykle se název proměnné deklaruje velkými písmeny.

Příkaz export nastaví proměnnou a exportuje ji do globálního prostředí, které je dostupné pro jiné procesy. Hodnota je však dočasná a trvá pouze do doby, než relaci terminálu zavřete:

1. Nastavte proměnnou klíče:

   export DI_KEY=<yourKey>
   

2. Nastavte proměnnou koncového bodu:

   export DI_ENDPOINT=<yourEndpoint>
   

Pokud chcete nastavit proměnnou prostředí trvale, umístěte příkaz pro export do spouštěcího skriptu Bash ~/.bashrc :

1. Pomocí textového editoru otevřete soubor ~/.bashrc a přidejte následující příkaz, který vytvoří trvalou proměnnou prostředí:

   export <VARIABLE>=<value>
   

   Příklad: export DI_KEY=<yourKey>

2. Uložte změny do souboru .bashrc .

3. Pokud chcete změny provést efektivně, spusťte z okna terminálu následující příkaz:

   source ~/.bashrc
   

Tady je několik užitečnějších příkazů pro použití s proměnnými prostředí:

Příkaz	Akce	Příklad
unset VARIABLE_NAME	Odstraňte proměnnou prostředí.	unset DI_KEY=
export VARIABLE_NAME=value	Nastavte nebo změňte hodnotu dočasné proměnné prostředí.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zobrazí hodnotu proměnné prostředí. echo Pomocí příkazu před proměnnou nahraďte znakem $.	printenv DI_KEY echo $DI_KEY
printenv	Zobrazí všechny proměnné prostředí.	printenv

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.

Jako referenci použijte následující tabulku. Nahraďte <id modelu a< adresu URL> dokumentu> požadovanými hodnotami:

Model	modelId	description	adresa URL dokumentu
Čtení modelu	předem připravená čtení	Ukázková brožura	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/read.png
Model rozložení	předem připravené rozložení	Potvrzení ukázkové rezervace	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/layout.png
Formulářový model W-2	prebuilt-tax.us.w2	Ukázkový formulář W-2	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png
Model faktury	předem připravená faktura	Ukázková faktura	https://github.com/Azure-Samples/cognitive-services-REST-api-samples/raw/master/curl/form-recognizer/rest-api/invoice.pdf
Model účtenek	předem připravená potvrzení	Ukázková potvrzení	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/receipt.png
Model dokumentu ID	prebuilt-idDocument	Ukázkový dokument s ID	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png

Požadavek POST

Otevřete okno konzoly a spusťte následující příkaz cURL. Příkazy zahrnují proměnné koncového bodu a klíčového prostředí, které byly dříve vytvořeny v části nastavení proměnných prostředí. Tyto proměnné nahraďte, pokud se názvy proměnných liší. Nezapomeňte nahradit parametry modelId> a <document-url>.<

curl -i -X POST "%DI_ENDPOINT%/documentintelligence/documentModels/{modelId}:analyze?api-version=2024-02-29-preview" -H "Content-Type: application/json" -H "Ocp-Apim-Subscription-Key: %DI_KEY%" --data-ascii "{'urlSource': '<document-url>'}"

Pokud chcete povolit možnosti doplňků, použijte features parametr dotazu v požadavku POST. K dispozici jsou čtyři funkce doplňku 2023-07-31 (GA) a novější verze: ocr.highResolution, ocr.formula, ocr.font a queryFields.premium. Další informace o jednotlivých funkcích najdete v tématu Vlastní modely.

Funkce highResolution, formula a font můžete volat pouze pro model čtení a rozložení a možnosti queryFields pro model Obecné dokumenty. Následující příklad ukazuje, jak volat funkce highResolution, vzorce a písma pro model rozložení.

curl -i -X POST "%DI_ENDPOINT%documentintelligence/documentModels/prebuilt-layout:analyze?features=ocr.highResolution,ocr.formula,ocr.font?api-version=2024-02-29-preview" -H "Content-Type: application/json" -H "Ocp-Apim-Subscription-Key: %DI_KEY%" --data-ascii "{'urlSource': '<document-url>'}"

Odpověď POST

Obdržíte 202 (Success) odpověď, která obsahuje hlavičku Operation-location . K načtení výsledků odpovědi použijte hodnotu této hlavičky.

Získání výsledku analýzy (požadavek GET)

Po volání Analyze document rozhraní API zavolejte [Get analyze result}(/rest/api/aiservices/document-models/get-analyze-result?view=rest-aiservices-2024-02-29-preview&preserve-view=true&tabs=HTTP), abyste získali stav operace a extrahovaná data.

Nástroj příkazového řádku cURL neformátuje odpovědi rozhraní API, které obsahují obsah JSON, což může ztěžovat čtení obsahu. Pokud chcete naformátovat odpověď JSON, zahrňte znak kanálu následovaný nástrojem pro formátování JSON s vaším požadavkem GET.

Windows

Jako formátovací modul JSON pro cURL použijte nástroj NodeJS Json. Pokud nemáte nainstalované Node.js , stáhněte a nainstalujte nejnovější verzi.

1. Pomocí následujícího příkazu otevřete okno konzoly a nainstalujte nástroj JSON:

   npm install -g jsontool
   

2. Docela vytiskněte výstup JSON zahrnutím znaku | json svislé roury s vašimi požadavky GET.

   curl -i -X GET "<endpoint>documentintelligence/documentModels/prebuilt-read/analyzeResults/0e49604a-2d8e-4b15-b6b8-bb456e5d3e0a?api-version=2024-02-29-preview"-H "Ocp-Apim-Subscription-Key: <subscription key>" | json
   

macOS

Nástroj pro příkaz json_pp se dodává s macOS a lze ho použít jako formátovač JSON pro cURL.

• Výstup JSON se celkem vytiskne tak, že zahrnete | json_pp vaše požadavky GET.

  curl -i -X GET "{endpoint}documentintelligence/documentModels/prebuilt-read/analyzeResults/0e49604a-2d8e-4b15-b6b8-bb456e5d3e0a?api-version=2024-02-29-preview"-H "Ocp-Apim-Subscription-Key: <subscription key>" | json_pp
  

Linux

Nástroj příkazového řádku json_pp je předinstalovaný ve většině linuxových distribucí. Pokud není součástí, můžete ho nainstalovat pomocí správce balíčků vaší distribuce.

• Výstup JSON se celkem vytiskne tak, že zahrnete | json_pp vaše GET požadavky.

  curl -i -X GET "<endpoint>documentintelligence/documentModels/prebuilt-read/analyzeResults/0e49604a-2d8e-4b15-b6b8-bb456e5d3e0a?api-version=2024-02-29-preview"-H "Ocp-Apim-Subscription-Key: <subscription key>" | json_pp
  

Požadavek GET

Před spuštěním následujícího příkazu proveďte tyto změny:

• Nahraďte <odpověď> POST hlavičkou Operation-locationz odpovědi POST.
• Nahraďte <DI_KEY proměnnou pro proměnnou prostředí, pokud se liší od názvu v kódu.
• Nahraďte *<json-tool> nástrojem pro formátování JSON.

curl -i -X GET "<POST response>" -H "Ocp-Apim-Subscription-Key: %DI_KEY%" | `<json-tool>`

Prozkoumání odpovědi

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

Navštivte úložiště ukázek Azure na GitHubu a podívejte se na GET odpověď na jednotlivé modely Document Intelligence:

Model	Výstupní adresa URL
Čtení modelu	Čtení výstupu modelu
Model rozložení	Výstup modelu rozložení
Daňový model W-2	Výstup daňového modelu W-2
Model faktury	Výstup modelu faktury
Model účtenek	Výstup modelu účtenky
Model dokumentu ID	Výstup modelu dokumentu ID

Další kroky

Gratulujeme! Naučili jste se používat modely Document Intelligence k analýze různých dokumentů různými způsoby. Dále prozkoumejte sadu Document Intelligence Studio a referenční dokumentaci.

Vyzkoušení sady Document Intelligence StudioProjděte si rozhraní REST API funkce Document Intelligence.