Začínáme s funkcí Document Intelligence

Důležité

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

Tento obsah se vztahuje na: v3.1 (GA) Dřívější verze: v3.0 v2.1

• Začínáme s Azure Rozpoznávání formulářů nejnovější verzí GA (2023-07-31).

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

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

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

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

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

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

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

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

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.

• Aktuální verze integrovaného vývojového prostředí sady Visual Studio.

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

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

Tip

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

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

  

Nastavení

1. Spusťte Visual Studio.

2. Na úvodní stránce zvolte Vytvořit nový projekt.

   

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

   

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

5. V dialogovém okně Další informace vyberte .NET 8.0 (dlouhodobá podpora) a pak vyberte Vytvořit.

   

Instalace klientské knihovny pomocí NuGetu

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

   

2. Vyberte kartu Procházet a zadejte Azure.AI.FormRecognizer. V rozevírací nabídce vyberte verzi 4.1.0.

   

Sestavení aplikace

Pokud chcete pracovat se službou Rozpoznávání formulářů, musíte vytvořit instanci DocumentAnalysisClient třídy. Uděláte to tak, že vytvoříte na webu Azure Portal DocumentAnalysisClient a AzureKeyCredential key instanci s AzureKeyCredential Rozpoznávání formulářů endpoint.

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 Nové šablony jazyka C#, které generují příkazy nejvyšší úrovně.

1. Otevřete soubor Program.cs.

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

   • Model rozložení

   • Předem připravený model

Důležité

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

Model rozložení

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

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

Do souboru Program.cs přidejte následující vzorový kód. Nezapomeňte aktualizovat proměnné klíče a koncového bodu hodnotami z webu Azure Portal Rozpoznávání formulářů instanci:

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

//set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal to create your `AzureKeyCredential` and `DocumentAnalysisClient` instance
string endpoint = "<your-endpoint>";
string key = "<your-key>";
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/sample-layout.pdf");

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($"    Its bounding box is:");
        Console.WriteLine($"      Upper left => X: {line.BoundingPolygon[0].X}, Y= {line.BoundingPolygon[0].Y}");
        Console.WriteLine($"      Upper right => X: {line.BoundingPolygon[1].X}, Y= {line.BoundingPolygon[1].Y}");
        Console.WriteLine($"      Lower right => X: {line.BoundingPolygon[2].X}, Y= {line.BoundingPolygon[2].Y}");
        Console.WriteLine($"      Lower left => X: {line.BoundingPolygon[3].X}, Y= {line.BoundingPolygon[3].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 box is:");
        Console.WriteLine($"      Upper left => X: {selectionMark.BoundingPolygon[0].X}, Y= {selectionMark.BoundingPolygon[0].Y}");
        Console.WriteLine($"      Upper right => X: {selectionMark.BoundingPolygon[1].X}, Y= {selectionMark.BoundingPolygon[1].Y}");
        Console.WriteLine($"      Lower right => X: {selectionMark.BoundingPolygon[2].X}, Y= {selectionMark.BoundingPolygon[2].Y}");
        Console.WriteLine($"      Lower left => X: {selectionMark.BoundingPolygon[3].X}, Y= {selectionMark.BoundingPolygon[3].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}'.");
    }
}

Spuštění aplikace

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

Výstup modelu rozložení

Tady je fragment očekávaného výstupu:

  Document Page 1 has 69 line(s), 425 word(s), and 15 selection mark(s).
  Line 0 has content: 'UNITED STATES'.
    Its bounding box is:
      Upper left => X: 3.4915, Y= 0.6828
      Upper right => X: 5.0116, Y= 0.6828
      Lower right => X: 5.0116, Y= 0.8265
      Lower left => X: 3.4915, Y= 0.8265
  Line 1 has content: 'SECURITIES AND EXCHANGE COMMISSION'.
    Its bounding box is:
      Upper left => X: 2.1937, Y= 0.9061
      Upper right => X: 6.297, Y= 0.9061
      Lower right => X: 6.297, Y= 1.0498
      Lower left => X: 2.1937, Y= 1.0498

Pokud chcete zobrazit celý výstup, přejděte do úložiště ukázek Azure na GitHubu a zobrazte výstup modelu rozložení.

Předem připravený model

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

Tip

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

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

Do souboru Program.cs přidejte následující ukázku kódu. Nezapomeňte aktualizovat proměnné klíče a koncového bodu hodnotami z webu Azure Portal Rozpoznávání formulářů instanci:

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

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

//sample invoice document

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

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

AnalyzeResult result = operation.Value;

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

    AnalyzedDocument document = result.Documents[i];

    if (document.Fields.TryGetValue("VendorName", out DocumentField vendorNameField))
    {
        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}");
        }
    }
}

Spuštění aplikace

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

Předem připravený výstup modelu

Tady je fragment očekávaného výstupu:

  Document 0:
  Vendor Name: 'CONTOSO LTD.', with confidence 0.962
  Customer Name: 'MICROSOFT CORPORATION', with confidence 0.951
  Item:
    Description: 'Test for 23 fields', with confidence 0.899
    Amount: '100', with confidence 0.902
  Sub Total: '100', with confidence 0.979

Pokud chcete zobrazit celý výstup, navštivte úložiště ukázek Azure na GitHubu a podívejte se na předem připravený výstup modelu faktury.

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

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

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

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

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.

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

  Tip

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

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

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

  • Gradle verze 6.8 nebo novější

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

  Tip

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

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

  

Nastavení

Vytvoření nového projektu Gradle

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

   mkdir form-recognize-app && form-recognize-app
   

   mkdir form-recognize-app; cd form-recognize-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 možnosti Return nebo Enter přijměte výchozí název projektu (form-recognize-app).

Instalace klientské knihovny

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

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

   plugins {
       java
       application
   }
   application {
       mainClass.set("FormRecognizer")
   }
   repositories {
       mavenCentral()
   }
   dependencies {
       implementation group: 'com.azure', name: 'azure-ai-formrecognizer', version: '4.1.0'

   }

Vytvoření aplikace Java

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

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

   mkdir -p src/main/java
   

   Vytvoříte následující adresářovou strukturu:

   

1. Přejděte do java adresáře a vytvořte soubor s názvem FormRecognizer.java.

   Tip

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

2. Otevřete soubor FormRecognizer.java. Zkopírujte a vložte do aplikace jednu z následujících ukázek kódu:

   • Rozložení

   • Předem připravená faktura

Důležité

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

Model rozložení

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

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

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

import com.azure.ai.formrecognizer.documentanalysis.models.*;
import com.azure.ai.formrecognizer.documentanalysis.DocumentAnalysisClient;
import com.azure.ai.formrecognizer.documentanalysis.DocumentAnalysisClientBuilder;

import com.azure.core.credential.AzureKeyCredential;
import com.azure.core.util.polling.SyncPoller;

import java.io.IOException;
import java.util.List;
import java.util.Arrays;
import java.time.LocalDate;
import java.util.Map;
import java.util.stream.Collectors;

public class FormRecognizer {

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

  public static void main(String[] args) {

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

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

    SyncPoller < OperationResult, AnalyzeResult > analyzeLayoutResultPoller =
      client.beginAnalyzeDocumentFromUrl(modelId, documentUrl);

    AnalyzeResult analyzeLayoutResult = analyzeLayoutResultPoller.getFinalResult();

    // 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.getState().toString(),
          documentSelectionMark.getBoundingPolygon().toString(),
          documentSelectionMark.getConfidence()));
    });

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

Sestavení a spuštění aplikace

Po přidání ukázky kódu do aplikace přejděte zpět do hlavního adresáře projektu – form-recognize-app.

1. Sestavte aplikaci pomocí build příkazu:

   gradle build
   

2. Spusťte aplikaci pomocí run příkazu:

   gradle run
   

Výstup modelu rozložení

Tady je fragment očekávaného výstupu:

  Table 0 has 5 rows and 3 columns.
  Cell 'Title of each class', has row index 0 and column index 0.
  Cell 'Trading Symbol', has row index 0 and column index 1.
  Cell 'Name of exchange on which registered', has row index 0 and column index 2.
  Cell 'Common stock, $0.00000625 par value per share', has row index 1 and column index 0.
  Cell 'MSFT', has row index 1 and column index 1.
  Cell 'NASDAQ', has row index 1 and column index 2.
  Cell '2.125% Notes due 2021', has row index 2 and column index 0.
  Cell 'MSFT', has row index 2 and column index 1.
  Cell 'NASDAQ', has row index 2 and column index 2.
  Cell '3.125% Notes due 2028', has row index 3 and column index 0.
  Cell 'MSFT', has row index 3 and column index 1.
  Cell 'NASDAQ', has row index 3 and column index 2.
  Cell '2.625% Notes due 2033', has row index 4 and column index 0.
  Cell 'MSFT', has row index 4 and column index 1.
  Cell 'NASDAQ', has row index 4 and column index 2.

Pokud chcete zobrazit celý výstup, přejděte do úložiště ukázek Azure na GitHubu a zobrazte výstup modelu rozložení.

Předem připravený model

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

Tip

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

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

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

import com.azure.ai.formrecognizer.documentanalysis.models.*;
import com.azure.ai.formrecognizer.documentanalysis.DocumentAnalysisClient;
import com.azure.ai.formrecognizer.documentanalysis.DocumentAnalysisClientBuilder;

import com.azure.core.credential.AzureKeyCredential;
import com.azure.core.util.polling.SyncPoller;

import java.io.IOException;
import java.util.List;
import java.util.Arrays;
import java.time.LocalDate;
import java.util.Map;
import java.util.stream.Collectors;

public class FormRecognizer {

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

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

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

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

    SyncPoller < OperationResult, AnalyzeResult > analyzeInvoicePoller = client.beginAnalyzeDocumentFromUrl(modelId, invoiceUrl);

    AnalyzeResult analyzeInvoiceResult = analyzeInvoicePoller.getFinalResult();

    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) -> {

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

              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());
                }
              }
            }));
        }
      }
    }
  }
}

Sestavení a spuštění aplikace

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

1. Sestavte aplikaci pomocí build příkazu:

   gradle build
   

2. Spusťte aplikaci pomocí run příkazu:

   gradle run
   

Předem připravený výstup modelu

Tady je fragment očekávaného výstupu:

  ----------- Analyzing invoice  0 -----------
  Analyzed document has doc type invoice with confidence : 1.00
  Vendor Name: CONTOSO LTD., confidence: 0.92
  Vendor address: 123 456th St New York, NY, 10001, confidence: 0.91
  Customer Name: MICROSOFT CORPORATION, confidence: 0.84
  Customer Address Recipient: Microsoft Corp, confidence: 0.92
  Invoice ID: INV-100, confidence: 0.97
  Invoice Date: 2019-11-15, confidence: 0.97

Pokud chcete zobrazit celý výstup, navštivte úložiště ukázek Azure na GitHubu a podívejte se na předem připravený výstup modelu faktury.

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

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

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

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

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.

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

• Nejnovější LTS verze Node.js.

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

  Tip

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

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

  

Nastavení

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

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

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

   npm init
   

3. Pomocí výzev zobrazených v terminálu zadejte atributy projektu.

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

4. Nainstalujte klientskou knihovnu ai-form-recognizer a azure/identity balíčky npm:

   npm i @azure/ai-form-recognizer@5.0.0 @azure/identity
   

   • Soubor vaší aplikace package.json se aktualizuje o závislosti.

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

   Tip

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

Sestavení aplikace

Pokud chcete pracovat se službou Document Intelligence, musíte vytvořit instanci DocumentAnalysisClient třídy. Uděláte to tak, že vytvoříte na webu Azure Portal DocumentAnalysisClient a AzureKeyCredential key instanci s AzureKeyCredential Rozpoznávání formulářů endpoint.

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

   • Rozložení

   • Předem připravená faktura

Důležité

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

Model rozložení

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

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

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

 const { AzureKeyCredential, DocumentAnalysisClient } = require("@azure/ai-form-recognizer");

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

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

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

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

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

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

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

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

Spuštění aplikace

Po přidání ukázky kódu do aplikace spusťte program:

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

2. Do terminálu zadejte následující příkaz:

   node index.js
   

Výstup modelu rozložení

Tady je fragment očekávaného výstupu:

Pages:
- Page 1 (unit: inch)
  8.5x11, angle: 0
  69 lines, 425 words
Tables:
- Extracted table: 3 columns, 5 rows (15 cells)

Pokud chcete zobrazit celý výstup, přejděte do úložiště ukázek Azure na GitHubu a zobrazte výstup modelu rozložení.

Předem připravený model

V tomto příkladu analyzujeme fakturu pomocí předem připraveného modelu faktury .

Tip

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

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

 const {
    AzureKeyCredential,
    DocumentAnalysisClient
} = require("@azure/ai-form-recognizer");

// set `<your-key>` and `<your-endpoint>` variables with the values from the Azure portal.
const key = "<your-key>";
const endpoint = "<your-endpoint>";
// sample document
invoiceUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-invoice.pdf"

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

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

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

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

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

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

Spuštění aplikace

Po přidání ukázky kódu do aplikace spusťte program:

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

2. Do terminálu zadejte následující příkaz:

   node index.js
   

Předem připravený výstup modelu

Tady je fragment očekávaného výstupu:

  Vendor Name: CONTOSO LTD.
  Customer Name: MICROSOFT CORPORATION
  Invoice Date: 2019-11-15T00:00:00.000Z
  Due Date: 2019-12-15T00:00:00.000Z
  Items:
  - <no product code>
    Description: Test for 23 fields
    Quantity: 1
    Date: undefined
    Unit: undefined
    Unit Price: 1
    Tax: undefined
    Amount: 100

Pokud chcete zobrazit celý výstup, navštivte úložiště ukázek Azure na GitHubu a podívejte se na předem připravený výstup modelu faktury.

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

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

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

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

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.

• Python 3.7 nebo novější

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

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

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

Tip

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

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

  

Nastavení

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

pip install azure-ai-formrecognizer==3.3.0

Vytvoření aplikace v Pythonu

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

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

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

   • Rozložení

   • Předem připravená faktura

Důležité

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

Model rozložení

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

• V tomto příkladu budete potřebovat soubor dokumentu z adresy URL. Pro účely tohoto rychlého startu můžete použít náš ukázkový dokument .
• Do proměnné ve analyze_layout funkci jsme přidali hodnotu formUrl adresy URL souboru.

K analýze daného souboru na adrese URL použijete metodu begin_analyze_document_from_url a předáte prebuilt-layout ji jako ID modelu. Vrácená result hodnota je objekt obsahující data o odeslaném dokumentu.

Do form_recognizer_quickstart.py aplikace přidejte následující vzorový kód. Nezapomeňte aktualizovat proměnné klíče a koncového bodu hodnotami z webu Azure Portal Rozpoznávání formulářů instanci:

# import libraries
import os
from azure.ai.formrecognizer import DocumentAnalysisClient
from azure.core.credentials import AzureKeyCredential

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

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/sample-layout.pdf"

    document_analysis_client = DocumentAnalysisClient(
        endpoint=endpoint, credential=AzureKeyCredential(key)
    )

    poller = document_analysis_client.begin_analyze_document_from_url(
            "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()

Spuštění aplikace

Po přidání ukázky kódu do aplikace sestavte a spusťte program:

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

2. Do terminálu zadejte následující příkaz:

   python form_recognizer_quickstart.py
   

Výstup modelu rozložení

Tady je fragment očekávaného výstupu:

  ----Analyzing layout from page #1----
  Page has width: 8.5 and height: 11.0, measured with unit: inch
  ...Line # 0 has word count 2 and text 'UNITED STATES' within bounding box '[3.4915, 0.6828], [5.0116, 0.6828], [5.0116, 0.8265], [3.4915, 0.8265]'
  ......Word 'UNITED' has a confidence of 1.0
  ......Word 'STATES' has a confidence of 1.0
  ...Line # 1 has word count 4 and text 'SECURITIES AND EXCHANGE COMMISSION' within bounding box '[2.1937, 0.9061], [6.297, 0.9061], [6.297, 1.0498], [2.1937, 1.0498]'
  ......Word 'SECURITIES' has a confidence of 1.0
  ......Word 'AND' has a confidence of 1.0
  ......Word 'EXCHANGE' has a confidence of 1.0
  ......Word 'COMMISSION' has a confidence of 1.0
  ...Line # 2 has word count 3 and text 'Washington, D.C. 20549' within bounding box '[3.4629, 1.1179], [5.031, 1.1179], [5.031, 1.2483], [3.4629, 1.2483]'
  ......Word 'Washington,' has a confidence of 1.0
  ......Word 'D.C.' has a confidence of 1.0

Pokud chcete zobrazit celý výstup, přejděte do úložiště ukázek Azure na GitHubu a zobrazte výstup modelu rozložení.

---

Předem připravený model

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

Tip

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

• Analýza faktury pomocí předem vytvořeného modelu faktury Pro účely tohoto rychlého startu můžete použít náš ukázkový dokument faktury.
• Do proměnné v horní části souboru jsme přidali hodnotu invoiceUrl ADRESY URL souboru.
• Pro zjednodušení se zde nezobrazují všechny páry klíč-hodnota, které služba vrací. Seznam všech podporovaných polí a odpovídajících typů najdete na naší stránce konceptů faktury .

K analýze daného souboru na identifikátoru URI použijete metodu a předáte prebuilt-invoice ho begin_analyze_document_from_url jako ID modelu. Vrácená result hodnota je objekt obsahující data o odeslaném dokumentu.

Do form_recognizer_quickstart.py aplikace přidejte následující vzorový kód. Nezapomeňte aktualizovat proměnné klíče a koncového bodu hodnotami z webu Azure Portal Rozpoznávání formulářů instanci:

# import libraries
import os
from azure.ai.formrecognizer import DocumentAnalysisClient
from azure.core.credentials import AzureKeyCredential

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


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
    )


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"

    document_analysis_client = DocumentAnalysisClient(
        endpoint=endpoint, credential=AzureKeyCredential(key)
    )

    poller = document_analysis_client.begin_analyze_document_from_url(
        "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()

Spuštění aplikace

Po přidání ukázky kódu do aplikace sestavte a spusťte program:

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

2. Do terminálu zadejte následující příkaz:

   python form_recognizer_quickstart.py
   

Předem připravený výstup modelu

Tady je fragment očekávaného výstupu:

  --------Recognizing invoice #1--------
  Vendor Name: CONTOSO LTD. has confidence: 0.919
  Vendor Address: 123 456th St New York, NY, 10001 has confidence: 0.907
  Vendor Address Recipient: Contoso Headquarters has confidence: 0.919
  Customer Name: MICROSOFT CORPORATION has confidence: 0.84
  Customer Id: CID-12345 has confidence: 0.956
  Customer Address: 123 Other St, Redmond WA, 98052 has confidence: 0.909
  Customer Address Recipient: Microsoft Corp has confidence: 0.917
  Invoice Id: INV-100 has confidence: 0.972
  Invoice Date: 2019-11-15 has confidence: 0.971
  Invoice Total: CurrencyValue(amount=110.0, symbol=$) has confidence: 0.97
  Due Date: 2019-12-15 has confidence: 0.973

Pokud chcete zobrazit celý výstup, navštivte úložiště ukázek Azure na GitHubu a podívejte se na předem připravený výstup modelu faktury.

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

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

Požadavky

• Předplatné Azure: Můžete si ho vytvořit zdarma.

• Nainstalovaný nástroj příkazového řádku curl.

  • Windows
  • Mac nebo Linux

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

  • Windows
  • macOS
  • Linux

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

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

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

Tip

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

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

  

Analýza dokumentů a získání výsledků

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

Analýza dokumentu (požadavek POST)

Před spuštěním příkazu cURL proveďte následující změny požadavku post:

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

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

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

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

Ukázkové dokumenty

Funkce	{modelID}	{your-document-url}
Obecný dokument	předem připravený dokument	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-layout.pdf
Přečíst	předem připravená čtení	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/read.png
Rozložení	předem připravené rozložení	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/layout.png
Zdravotní pojištění	prebuilt-healthInsuranceCard.us	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/insurance-card.png
Daňové přiznání	prebuilt-tax.us.w2	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png
Faktura	předem připravená faktura	https://github.com/Azure-Samples/cognitive-services-REST-api-samples/raw/master/curl/form-recognizer/rest-api/invoice.pdf
Paragon	předem připravená potvrzení	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/receipt.png
Průkaz totožnosti	prebuilt-idDocument	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png
Vizitka	předem připravená vizitka	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/de5e0d8982ab754823c54de47a47e8e499351523/curl/form-recognizer/rest-api/business_card.jpg

Důležité

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

Požadavek POST

curl -v -i POST "{endpoint}/formrecognizer/documentModels/{modelID}:analyze?api-version=2023-07-31" -H "Content-Type: application/json" -H "Ocp-Apim-Subscription-Key: {key}" --data-ascii "{'urlSource': '{your-document-url}'}"

Odpověď POST (resultID)

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

Získání výsledků analýzy (požadavek GET)

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

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

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

Požadavek GET

curl -v -X GET "{endpoint}/formrecognizer/documentModels/{modelId}/analyzeResults/{resultId}?api-version=2023-07-31" -H "Ocp-Apim-Subscription-Key: {key}"

Prozkoumání odpovědi

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

Ukázková odpověď pro předem připravenou fakturu

{
    "status": "succeeded",
    "createdDateTime": "2023-08-25T19:31:37Z",
    "lastUpdatedDateTime": "2023-08-25T19:31:43Z",
    "analyzeResult": {
        "apiVersion": "2023-07-31",
        "modelId": "prebuilt-invoice",
        "stringIndexType": "textElements"...
    ..."pages": [
            {
                "pageNumber": 1,
                "angle": 0,
                "width": 8.5,
                "height": 11,
                "unit": "inch",
                "words": [
                    {
                        "content": "CONTOSO",
                        "boundingBox": [
                            0.5911,
                            0.6857,
                            1.7451,
                            0.6857,
                            1.7451,
                            0.8664,
                            0.5911,
                            0.8664
                        ],
                        "confidence": 1,
                        "span": {
                            "offset": 0,
                            "length": 7
                                }
                      }],
              }]
      }
}

Podporovaná pole dokumentů

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

To je to, blahopřejeme!

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

Další kroky

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

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

• Další ukázky najdete na GitHubu.