DocumentAnalysisClient Třída

DocumentAnalysisClient analyzuje informace z dokumentů a obrázků a klasifikuje dokumenty. Je to rozhraní pro analýzu s předem vytvořenými modely (mimo jiné účtenky, vizitky, faktury, dokumenty identity), analýzu rozložení z dokumentů, analýzu obecných typů dokumentů a analýzu vlastních dokumentů pomocí vytvořených modelů (úplný seznam modelů podporovaných službou najdete tady: https://aka.ms/azsdk/formrecognizer/models). Poskytuje různé metody založené na vstupech z adresy URL a vstupech ze streamu.

Poznámka

DocumentAnalysisClient by se měl používat s verzemi rozhraní API.

2022-08-31 a novější. Pokud chcete použít verze <rozhraní API =v2.1, vytvořte instanci FormRecognizerClient.

Novinka ve verzi 2022-08-31: DocumentAnalysisClient a jeho klientské metody.

Dědičnost

azure.ai.formrecognizer._form_base_client.FormRecognizerClientBase

DocumentAnalysisClient

Konstruktor

DocumentAnalysisClient(endpoint: str, credential: AzureKeyCredential | TokenCredential, **kwargs: Any)

Parametry

endpoint

str

Vyžadováno

Podporované koncové body služeb Cognitive Services (protokol a název hostitele, například: https://westus2.api.cognitive.microsoft.com).

credential

AzureKeyCredential nebo TokenCredential

Vyžadováno

Přihlašovací údaje potřebné pro připojení klienta k Azure Toto je instance AzureKeyCredential, pokud používáte klíč rozhraní API nebo přihlašovací údaje tokenu z identity.

api_version

str nebo DocumentAnalysisApiVersion

Verze rozhraní API služby, která se má použít pro požadavky. Výchozí hodnota je nejnovější verze služby. Nastavení na starší verzi může mít za následek snížení kompatibility funkcí. Pokud chcete použít verze <rozhraní API =v2.1, vytvořte instanci FormRecognizerClient.

Příklady

Vytvoření DocumentAnalysisClient s koncovým bodem a klíčem rozhraní API

   from azure.core.credentials import AzureKeyCredential
   from azure.ai.formrecognizer import DocumentAnalysisClient

   endpoint = os.environ["AZURE_FORM_RECOGNIZER_ENDPOINT"]
   key = os.environ["AZURE_FORM_RECOGNIZER_KEY"]

   document_analysis_client = DocumentAnalysisClient(endpoint, AzureKeyCredential(key))

Vytvoření DocumentAnalysisClient s přihlašovacími údaji tokenu

   """DefaultAzureCredential will use the values from these environment
   variables: AZURE_CLIENT_ID, AZURE_TENANT_ID, AZURE_CLIENT_SECRET
   """
   from azure.ai.formrecognizer import DocumentAnalysisClient
   from azure.identity import DefaultAzureCredential

   endpoint = os.environ["AZURE_FORM_RECOGNIZER_ENDPOINT"]
   credential = DefaultAzureCredential()

   document_analysis_client = DocumentAnalysisClient(endpoint, credential)

Metody

begin_analyze_document	Analýza textu pole a sémantických hodnot z daného dokumentu Novinka ve verzi 2023-07-31: Argument klíčového slova features
begin_analyze_document_from_url	Analýza textu pole a sémantických hodnot z daného dokumentu Vstup musí být umístění (ADRESA URL) dokumentu, který se má analyzovat. Novinka ve verzi 2023-07-31: Argument klíčového slova features
begin_classify_document	Klasifikovat dokument pomocí klasifikátoru dokumentu. Další informace o tom, jak vytvořit vlastní model klasifikátoru, najdete v tématu https://aka.ms/azsdk/formrecognizer/buildclassifiermodel. Novinka ve verzi 2023-07-31: Metoda klienta begin_classify_document .
begin_classify_document_from_url	Klasifikace daného dokumentu pomocí klasifikátoru dokumentu Další informace o tom, jak vytvořit vlastní model klasifikátoru, najdete v tématu https://aka.ms/azsdk/formrecognizer/buildclassifiermodel. Vstup musí být umístění (ADRESA URL) dokumentu, který se má klasifikovat. Novinka ve verzi 2023-07-31: Metoda klienta begin_classify_document_from_url .
close	Zavřete DocumentAnalysisClient relaci.
send_request	Spustí síťový požadavek pomocí existujícího kanálu klienta. Adresa URL požadavku může být relativní vzhledem k základní adrese URL. Pokud není uvedeno jinak, verze rozhraní API služby použitá pro požadavek je stejná jako verze rozhraní API klienta. Přepsání nakonfigurované verze rozhraní API klienta v relativní adrese URL se podporuje u klienta s rozhraním API verze 2022-08-31 a novější. Přepsání absolutní adresy URL podporované na klientovi s libovolnou verzí rozhraní API Tato metoda nevyvolá, pokud odpověď je chyba; pokud chcete vyvolat výjimku, zavolejte raise_for_status() u vráceného objektu odpovědi. Další informace o odesílání vlastních požadavků pomocí této metody najdete v tématu https://aka.ms/azsdk/dpcodegen/python/send_request.

begin_analyze_document

Analýza textu pole a sémantických hodnot z daného dokumentu

Novinka ve verzi 2023-07-31: Argument klíčového slova features

begin_analyze_document(model_id: str, document: bytes | IO[bytes], **kwargs: Any) -> LROPoller[AnalyzeResult]

Parametry

model_id

str

Vyžadováno

Jedinečný identifikátor modelu lze předat jako řetězec. Tato možnost slouží k zadání ID vlastního modelu nebo předem připraveného ID modelu. Podporovaná PŘEDEM připravená ID modelů najdete tady: https://aka.ms/azsdk/formrecognizer/models

document

bytes nebo IO[bytes]

Vyžadováno

Datový proud souborů nebo bajty. Podporované typy souborů služby najdete tady: https://aka.ms/azsdk/formrecognizer/supportedfiles.

pages

str

Vlastní čísla stránek pro vícestránkové dokumenty (PDF/TIFF) Zadejte čísla stránek nebo rozsahy stránek, které chcete získat ve výsledku. Pro rozsah stránek použijte spojovník, například pages="1-3, 5-6". Jednotlivé číslo stránky nebo oblast oddělte čárkou.

locale

str

Nápověda národního prostředí vstupního dokumentu. Podporovaná národní prostředí najdete tady: https://aka.ms/azsdk/formrecognizer/supportedlocales.

features

list[str]

Funkce analýzy dokumentů, které chcete povolit.

Návraty

An instance of an LROPoller. Voláním result() u objektu poller vrátíte AnalyzeResult.

Návratový typ

LROPoller[AnalyzeResult]

Výjimky

HttpResponseError

Příklady

Analýza faktury Další ukázky najdete ve složce samples .

   from azure.core.credentials import AzureKeyCredential
   from azure.ai.formrecognizer import DocumentAnalysisClient

   endpoint = os.environ["AZURE_FORM_RECOGNIZER_ENDPOINT"]
   key = os.environ["AZURE_FORM_RECOGNIZER_KEY"]

   document_analysis_client = DocumentAnalysisClient(
       endpoint=endpoint, credential=AzureKeyCredential(key)
   )
   with open(path_to_sample_documents, "rb") as f:
       poller = document_analysis_client.begin_analyze_document(
           "prebuilt-invoice", document=f, locale="en-US"
       )
   invoices = poller.result()

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

Analýza vlastního dokumentu Další ukázky najdete ve složce samples .

   from azure.core.credentials import AzureKeyCredential
   from azure.ai.formrecognizer import DocumentAnalysisClient

   endpoint = os.environ["AZURE_FORM_RECOGNIZER_ENDPOINT"]
   key = os.environ["AZURE_FORM_RECOGNIZER_KEY"]
   model_id = os.getenv("CUSTOM_BUILT_MODEL_ID", custom_model_id)

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

   # Make sure your document's type is included in the list of document types the custom model can analyze
   with open(path_to_sample_documents, "rb") as f:
       poller = document_analysis_client.begin_analyze_document(
           model_id=model_id, document=f
       )
   result = poller.result()

   for idx, document in enumerate(result.documents):
       print(f"--------Analyzing document #{idx + 1}--------")
       print(f"Document has type {document.doc_type}")
       print(f"Document has document type confidence {document.confidence}")
       print(f"Document was analyzed with model with ID {result.model_id}")
       for name, field in document.fields.items():
           field_value = field.value if field.value else field.content
           print(
               f"......found field of type '{field.value_type}' with value '{field_value}' and with confidence {field.confidence}"
           )

   # iterate over tables, lines, and selection marks on each page
   for page in result.pages:
       print(f"\nLines found on page {page.page_number}")
       for line in page.lines:
           print(f"...Line '{line.content}'")
       for word in page.words:
           print(f"...Word '{word.content}' has a confidence of {word.confidence}")
       if page.selection_marks:
           print(f"\nSelection marks found on page {page.page_number}")
           for selection_mark in page.selection_marks:
               print(
                   f"...Selection mark is '{selection_mark.state}' and has a confidence of {selection_mark.confidence}"
               )

   for i, table in enumerate(result.tables):
       print(f"\nTable {i + 1} can be found on page:")
       for region in table.bounding_regions:
           print(f"...{region.page_number}")
       for cell in table.cells:
           print(
               f"...Cell[{cell.row_index}][{cell.column_index}] has text '{cell.content}'"
           )
   print("-----------------------------------")

begin_analyze_document_from_url

Analýza textu pole a sémantických hodnot z daného dokumentu Vstup musí být umístění (ADRESA URL) dokumentu, který se má analyzovat.

Novinka ve verzi 2023-07-31: Argument klíčového slova features

begin_analyze_document_from_url(model_id: str, document_url: str, **kwargs: Any) -> LROPoller[AnalyzeResult]

Parametry

model_id

str

Vyžadováno

Jedinečný identifikátor modelu lze předat jako řetězec. Tato možnost slouží k zadání ID vlastního modelu nebo předem připraveného ID modelu. Podporovaná PŘEDEM připravená ID modelů najdete tady: https://aka.ms/azsdk/formrecognizer/models

document_url

str

Vyžadováno

Adresa URL dokumentu, který chcete analyzovat. Vstup musí být platný, správně zakódovaný (tj. zakódovat speciální znaky, například prázdné mezery) a veřejně přístupnou adresu URL. Podporované typy souborů služby najdete tady: https://aka.ms/azsdk/formrecognizer/supportedfiles.

pages

str

Vlastní čísla stránek pro vícestránkové dokumenty (PDF/TIFF) Zadejte čísla stránek nebo rozsahy stránek, které chcete získat ve výsledku. Pro rozsah stránek použijte spojovník, například pages="1-3, 5-6". Jednotlivé číslo stránky nebo oblast oddělte čárkou.

locale

str

Nápověda národního prostředí vstupního dokumentu. Podporovaná národní prostředí najdete tady: https://aka.ms/azsdk/formrecognizer/supportedlocales.

features

list[str]

Funkce analýzy dokumentů, které chcete povolit.

Návraty

An instance of an LROPoller. Voláním result() u objektu poller vrátíte AnalyzeResult.

Návratový typ

LROPoller[AnalyzeResult]

Výjimky

HttpResponseError

Příklady

Analýza potvrzení Další ukázky najdete ve složce samples .

   from azure.core.credentials import AzureKeyCredential
   from azure.ai.formrecognizer import DocumentAnalysisClient

   endpoint = os.environ["AZURE_FORM_RECOGNIZER_ENDPOINT"]
   key = os.environ["AZURE_FORM_RECOGNIZER_KEY"]

   document_analysis_client = DocumentAnalysisClient(
       endpoint=endpoint, credential=AzureKeyCredential(key)
   )
   url = "https://raw.githubusercontent.com/Azure/azure-sdk-for-python/main/sdk/formrecognizer/azure-ai-formrecognizer/tests/sample_forms/receipt/contoso-receipt.png"
   poller = document_analysis_client.begin_analyze_document_from_url(
       "prebuilt-receipt", document_url=url
   )
   receipts = poller.result()

   for idx, receipt in enumerate(receipts.documents):
       print(f"--------Analysis of receipt #{idx + 1}--------")
       print(f"Receipt type: {receipt.doc_type if receipt.doc_type else 'N/A'}")
       merchant_name = receipt.fields.get("MerchantName")
       if merchant_name:
           print(
               f"Merchant Name: {merchant_name.value} has confidence: "
               f"{merchant_name.confidence}"
           )
       transaction_date = receipt.fields.get("TransactionDate")
       if transaction_date:
           print(
               f"Transaction Date: {transaction_date.value} has confidence: "
               f"{transaction_date.confidence}"
           )
       if receipt.fields.get("Items"):
           print("Receipt items:")
           for idx, item in enumerate(receipt.fields.get("Items").value):
               print(f"...Item #{idx + 1}")
               item_description = item.value.get("Description")
               if item_description:
                   print(
                       f"......Item Description: {item_description.value} has confidence: "
                       f"{item_description.confidence}"
                   )
               item_quantity = item.value.get("Quantity")
               if item_quantity:
                   print(
                       f"......Item Quantity: {item_quantity.value} has confidence: "
                       f"{item_quantity.confidence}"
                   )
               item_price = item.value.get("Price")
               if item_price:
                   print(
                       f"......Individual Item Price: {item_price.value} has confidence: "
                       f"{item_price.confidence}"
                   )
               item_total_price = item.value.get("TotalPrice")
               if item_total_price:
                   print(
                       f"......Total Item Price: {item_total_price.value} has confidence: "
                       f"{item_total_price.confidence}"
                   )
       subtotal = receipt.fields.get("Subtotal")
       if subtotal:
           print(f"Subtotal: {subtotal.value} has confidence: {subtotal.confidence}")
       tax = receipt.fields.get("TotalTax")
       if tax:
           print(f"Total tax: {tax.value} has confidence: {tax.confidence}")
       tip = receipt.fields.get("Tip")
       if tip:
           print(f"Tip: {tip.value} has confidence: {tip.confidence}")
       total = receipt.fields.get("Total")
       if total:
           print(f"Total: {total.value} has confidence: {total.confidence}")
       print("--------------------------------------")

begin_classify_document

Klasifikovat dokument pomocí klasifikátoru dokumentu. Další informace o tom, jak vytvořit vlastní model klasifikátoru, najdete v tématu https://aka.ms/azsdk/formrecognizer/buildclassifiermodel.

Novinka ve verzi 2023-07-31: Metoda klienta begin_classify_document .

begin_classify_document(classifier_id: str, document: bytes | IO[bytes], **kwargs: Any) -> LROPoller[AnalyzeResult]

Parametry

classifier_id

str

Vyžadováno

Jedinečný identifikátor klasifikátoru dokumentu lze předat jako řetězec.

document

bytes nebo IO[bytes]

Vyžadováno

Datový proud souborů nebo bajty. Podporované typy souborů služby najdete tady: https://aka.ms/azsdk/formrecognizer/supportedfiles.

Návraty

An instance of an LROPoller. Voláním result() u objektu poller vrátíte AnalyzeResult.

Návratový typ

LROPoller[AnalyzeResult]

Výjimky

HttpResponseError

Příklady

Klasifikace dokumentu Další ukázky najdete ve složce samples .

   from azure.core.credentials import AzureKeyCredential
   from azure.ai.formrecognizer import DocumentAnalysisClient

   endpoint = os.environ["AZURE_FORM_RECOGNIZER_ENDPOINT"]
   key = os.environ["AZURE_FORM_RECOGNIZER_KEY"]
   classifier_id = os.getenv("CLASSIFIER_ID", classifier_id)

   document_analysis_client = DocumentAnalysisClient(
       endpoint=endpoint, credential=AzureKeyCredential(key)
   )
   with open(path_to_sample_documents, "rb") as f:
       poller = document_analysis_client.begin_classify_document(
           classifier_id, document=f
       )
   result = poller.result()

   print("----Classified documents----")
   for doc in result.documents:
       print(
           f"Found document of type '{doc.doc_type or 'N/A'}' with a confidence of {doc.confidence} contained on "
           f"the following pages: {[region.page_number for region in doc.bounding_regions]}"
       )

begin_classify_document_from_url

Klasifikace daného dokumentu pomocí klasifikátoru dokumentu Další informace o tom, jak vytvořit vlastní model klasifikátoru, najdete v tématu https://aka.ms/azsdk/formrecognizer/buildclassifiermodel. Vstup musí být umístění (ADRESA URL) dokumentu, který se má klasifikovat.

Novinka ve verzi 2023-07-31: Metoda klienta begin_classify_document_from_url .

begin_classify_document_from_url(classifier_id: str, document_url: str, **kwargs: Any) -> LROPoller[AnalyzeResult]

Parametry

classifier_id

str

Vyžadováno

Jedinečný identifikátor klasifikátoru dokumentu lze předat jako řetězec.

document_url

str

Vyžadováno

Adresa URL dokumentu, který chcete klasifikovat. Vstup musí být platný, správně zakódovaný (tj. zakódovat speciální znaky, například prázdné mezery) a veřejně přístupnou adresu URL jednoho z podporovaných formátů: https://aka.ms/azsdk/formrecognizer/supportedfiles.

Návraty

An instance of an LROPoller. Voláním result() u objektu poller vrátíte AnalyzeResult.

Návratový typ

LROPoller[AnalyzeResult]

Výjimky

HttpResponseError

Příklady

Klasifikace dokumentu Další ukázky najdete ve složce samples .

   from azure.core.credentials import AzureKeyCredential
   from azure.ai.formrecognizer import DocumentAnalysisClient

   endpoint = os.environ["AZURE_FORM_RECOGNIZER_ENDPOINT"]
   key = os.environ["AZURE_FORM_RECOGNIZER_KEY"]
   classifier_id = os.getenv("CLASSIFIER_ID", classifier_id)

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

   url = "https://raw.githubusercontent.com/Azure/azure-sdk-for-python/main/sdk/formrecognizer/azure-ai-formrecognizer/tests/sample_forms/forms/IRS-1040.pdf"

   poller = document_analysis_client.begin_classify_document_from_url(
       classifier_id, document_url=url
   )
   result = poller.result()

   print("----Classified documents----")
   for doc in result.documents:
       print(
           f"Found document of type '{doc.doc_type or 'N/A'}' with a confidence of {doc.confidence} contained on "
           f"the following pages: {[region.page_number for region in doc.bounding_regions]}"
       )

close

Zavřete DocumentAnalysisClient relaci.

close() -> None

Výjimky

HttpResponseError

send_request

Spustí síťový požadavek pomocí existujícího kanálu klienta.

Adresa URL požadavku může být relativní vzhledem k základní adrese URL. Pokud není uvedeno jinak, verze rozhraní API služby použitá pro požadavek je stejná jako verze rozhraní API klienta. Přepsání nakonfigurované verze rozhraní API klienta v relativní adrese URL se podporuje u klienta s rozhraním API verze 2022-08-31 a novější. Přepsání absolutní adresy URL podporované na klientovi s libovolnou verzí rozhraní API Tato metoda nevyvolá, pokud odpověď je chyba; pokud chcete vyvolat výjimku, zavolejte raise_for_status() u vráceného objektu odpovědi. Další informace o odesílání vlastních požadavků pomocí této metody najdete v tématu https://aka.ms/azsdk/dpcodegen/python/send_request.

send_request(request: HttpRequest, *, stream: bool = False, **kwargs) -> HttpResponse

Parametry

request

HttpRequest

Vyžadováno

Síťový požadavek, který chcete vytvořit.

stream

bool

Jestli se datová část odpovědi bude streamovat. Výchozí hodnota je False.

Návraty

Odpověď síťového volání. Nezvládá zpracování chyb u vaší odpovědi.

Návratový typ

HttpResponse

Výjimky

HttpResponseError