Verwenden von Dokument Intelligenz-Modellen

Dieser Inhalt gilt für: Version 4.0 (Vorschau) | Vorherige Versionen: Version 3.1 (GA) Version 3.0 (GA) Version 2.1 (GA)

In diesem Leitfaden erfahren Sie, wie Sie Ihren Anwendungen und Workflows Dokument Intelligenz-Modelle hinzufügen. Verwenden Sie dazu ein SDK mit einer Programmiersprache Ihrer Wahl oder die REST-API.

Azure KI Dokument Intelligenz ist ein cloudbasierter Azure KI-Dienst, der maschinelles Lernen nutzt, um wichtige Text- und Strukturelemente aus Dokumenten zu extrahieren. Sie sollten den kostenlosen Dienst nutzen, während Sie die Technologie erlernen. Bedenken Sie, dass die Anzahl der kostenlosen Seiten auf 500 pro Monat beschränkt ist.

Wählen Sie aus den folgenden Dokument Intelligenz-Modellen, um Daten und Werte aus Formularen und Dokumenten zu analysieren und zu extrahieren:

• Das Modell prebuilt-read ist das Kernstück aller Dokument Intelligenz-Modelle und kann Zeilen, Wörter, Orte und Sprachen erkennen. Das Layoutmodell, das allgemeine Dokumentmodell, die vordefinierten und die benutzerdefinierten Modelle verwenden das read-Modell als Grundlage für die Extraktion von Text aus Dokumenten.

• Das Modell prebuilt-layout extrahiert Text und Textstellen, Tabellen, Auswahlmarkierungen und Strukturinformationen aus Dokumenten und Bildern. Sie können Schlüssel-Wert-Paare mithilfe des Layoutmodells extrahieren, wobei der optionale Abfragezeichenfolgenparameter features=keyValuePairs aktiviert ist.

• Das vorkonfigurierte Vertragsmodell extrahiert wichtige Informationen aus Vertragsvereinbarungen.

• Das prebuilt-healthInsuranceCard.us-Modell extrahiert wichtige Informationen aus US-Krankenversicherungskarten.

• Die vordefinierten Steuerdokumentmodelle extrahieren Informationen zu US-Steuerformularen.

• Das Modell prebuilt-invoice extrahiert Schlüsselfelder und Positionen aus Verkaufsrechnungen in verschiedenen Formaten und Qualitäten. Zu den Feldern gehören per Telefon aufgenommene Fotos, gescannte Dokumente und digitale PDFs.

• Das Modell prebuilt-receipt extrahiert Schlüsselinformationen aus gedruckten und handschriftlichen Verkaufsbelegen.

• Das Modell prebuilt-idDocument extrahiert Schlüsselinformationen aus US-Führerscheinen, Seiten mit Personendaten aus internationalen Reisepässen, Ausweisen US-amerikanischer Bundesstaaten, Sozialversicherungskarten und Aufenthaltsgenehmigungen.

Clientbibliothek | SDK-Referenz | REST-API-Referenz | Paket| Beispiele|Unterstützte REST-API-Version

Voraussetzungen

• Azure-Abonnement – kostenloses Abonnement erstellen.

• Visual Studio-IDE

• Eine Azure KI Services- oder Dokument Intelligenz-Ressource. Erstellen Sie eine Ressource für einen einzelnen Dienst oder für mehrere Dienste. Sie können den kostenlosen Tarif (F0) verwenden, um den Dienst zu testen, und später für die Produktion auf einen kostenpflichtigen Tarif upgraden.

• Der Schlüssel und der Endpunkt der von Ihnen erstellten Ressource, um Ihre Anwendung mit dem Azure Dokument Intelligenz-Dienst zu verbinden.

  1. Wählen Sie nach der Bereitstellung der Ressource Zu Ressource wechseln aus.
  2. Wählen Sie im linken Navigationsmenü Schlüssel und Endpunkt aus.
  3. Kopieren Sie einen der Schlüssel und den Endpunkt zur späteren Verwendung in diesem Artikel.

  

• Eine Dokumentdatei unter einer URL-Adresse. Für dieses Projekt können Sie die Beispielformulare verwenden, die in der folgenden Tabelle für jede Funktion aufgeführt sind:

  Feature	modelID	document-url
  Lesemodell	prebuilt-read	Beispielbroschüre
  Layoutmodell	prebuilt-layout	Beispiel einer Buchungsbestätigung
  W-2-Formularmodell	prebuilt-tax.us.w2	W-2-Beispielformular
  Rechnungsmodell	Vordefinierte Rechnung	Beispielrechnung
  Belegmodell	prebuilt-receipt	Beispielbeleg
  Ausweisdokumentmodell	prebuilt-idDocument	Beispielausweisdokument

Festlegen Ihrer Umgebungsvariablen

Für die Interaktion mit dem Dokument Intelligenz-Dienst müssen Sie eine Instanz der DocumentAnalysisClient-Klasse erstellen. Dazu instanziieren Sie den Client mit Ihrem key und Ihrem endpoint über das Azure-Portal. In diesem Projekt verwenden Sie Umgebungsvariablen, um Anmeldeinformationen zu speichern und darauf zuzugreifen.

Wichtig

Wenn Sie einen API-Schlüssel verwenden, speichern Sie ihn an einer anderen Stelle sicher, z. B. in Azure Key Vault. Fügen Sie den API-Schlüssel nicht direkt in Ihren Code ein, und machen Sie ihn nicht öffentlich zugänglich.

Weitere Informationen zur Sicherheit von KI Services finden Sie unter Authentifizieren von Anforderungen an Azure KI Services.

Um die Umgebungsvariable für Ihren Dokument Intelligenz-Ressourcenschlüssel festzulegen, öffnen Sie ein Konsolenfenster, und befolgen Sie die Anweisungen für Ihr Betriebssystem und Ihre Entwicklungsumgebung. Ersetzen Sie <yourKey> und <yourEndpoint> durch die Werte Ihrer Ressource im Azure-Portal.

Windows

Bei Umgebungsvariablen in Windows ist die Groß-/Kleinschreibung nicht relevant. Sie werden in der Regel in Großbuchstaben angegeben, wobei die Wörter durch einen Unterstrich verbunden sind. Führen Sie an der Eingabeaufforderung die folgenden Befehle aus:

1. Legen Sie die Schlüsselvariable fest:

   setx DI_KEY <yourKey>
   

2. Festlegen der Endpunktvariable

   setx DI_ENDPOINT <yourEndpoint>
   

3. Schließen Sie das Eingabeaufforderungsfenster, nachdem Sie Ihre Umgebungsvariablen festgelegt haben. Die Werte bleiben erhalten, bis Sie sie erneut ändern.

4. Starten Sie alle laufenden Programme neu, in denen die Umgebungsvariable gelesen wird. Wenn Sie zum Beispiel Visual Studio oder Visual Studio Code als Editor verwenden, führen Sie einen Neustart durch, bevor Sie den Beispielcode ausführen.

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
setx VARIABLE_NAME=	Löscht die Umgebungsvariable, indem der Wert auf eine leere Zeichenfolge festgelegt wird.	setx DI_KEY=
setx VARIABLE_NAME=value	Legt den Wert einer Umgebungsvariablen fest oder ändert ihn.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariablen an.	set DI_KEY
set	Zeigt alle Umgebungsvariablen an.	set

macOS

Bei Umgebungsvariablen in macOS wird die Groß-/Kleinschreibung beachtet. Normalerweise wird der Variablenname in Großbuchstaben angegeben.

Mit dem Befehl export wird die Variable festgelegt und in die globale Umgebung exportiert, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und wird nur bis zum Schließen der Terminalsitzung aufrechterhalten. Öffnen Sie Ihr Terminal, und geben Sie die folgenden Befehle ein:

1. Legen Sie die Schlüsselvariable fest:

   export key=<yourKey>
   

2. Legen Sie die Endpunktvariable fest:

   export endpoint=<yourEndpoint>
   

Um eine Umgebungsvariable dauerhaft festlegen, fügen Sie einen Exportbefehl in Ihr Bash-Startskript ~/.bash_profile ein:

1. Öffnen Sie die ~/.bash_profile-Datei in einem Text-Editor, und fügen Sie den folgenden Befehl hinzu, um eine dauerhafte Umgebungsvariable zu erstellen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Beispiel: export DI_KEY="<yourKey>"

2. Speichern Sie Ihre Änderungen an der Datei bash_profile.

3. Führen Sie den folgenden Befehl in Ihrem Terminalfenster aus, damit die Änderungen wirksam werden:

   source ~/.bash-profile
   

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
unset VARIABLE_NAME	Löscht eine Umgebungsvariable.	unset DI_KEY
export VARIABLE_NAME=value	Legt den Wert einer temporären Umgebungsvariablen fest oder ändert ihn.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariablen an. Verwenden Sie den Befehl echo, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Zeigt alle Umgebungsvariablen an.	printenv

Linux

Bei Umgebungsvariablen in Linux wird die Groß-/Kleinschreibung beachtet. Normalerweise wird der Variablenname in Großbuchstaben angegeben.

Mit dem Befehl export wird die Variable festgelegt und in die globale Umgebung exportiert, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und wird nur bis zum Schließen der Terminalsitzung aufrechterhalten:

1. Legen Sie die Schlüsselvariable fest:

   export DI_KEY=<yourKey>
   

2. Legen Sie die Endpunktvariable fest:

   export DI_ENDPOINT=<yourEndpoint>
   

Um eine Umgebungsvariable dauerhaft festlegen, fügen Sie einen Exportbefehl in Ihr Bash-Startskript ~/.bashrc ein:

1. Öffnen Sie die ~/.bashrc-Datei in einem Text-Editor, und fügen Sie den folgenden Befehl hinzu, um eine dauerhafte Umgebungsvariable zu erstellen:

   export <VARIABLE>=<value>
   

   Beispiel: export DI_KEY=<yourKey>

2. Speichern Sie Ihre Änderungen an der .bashrc-Datei.

3. Führen Sie den folgenden Befehl in Ihrem Terminalfenster aus, damit die Änderungen wirksam werden:

   source ~/.bashrc
   

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
unset VARIABLE_NAME	Löscht eine Umgebungsvariable.	unset DI_KEY=
export VARIABLE_NAME=value	Legt den Wert einer temporären Umgebungsvariablen fest oder ändert ihn.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer Umgebungsvariablen an. Verwenden Sie den Befehl echo, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Zeigt alle Umgebungsvariablen an.	printenv

Einrichten Ihrer Programmierumgebung

1. Starten Sie Visual Studio.

2. Wählen Sie auf der Startseite Neues Projekt erstellen aus.

   

3. Geben Sie auf der Seite Neues Projekt erstellen die Angabe Konsole in das Suchfeld ein. Wählen Sie die Vorlage Konsolenanwendung und dann Weiter aus.

   

4. Geben Sie auf der Seite Neues Projekt konfigurieren unter Projektname den Namen docIntelligence_app ein. Wählen Sie Weiteraus.

   

5. Wählen Sie auf der Seite Zusätzliche Informationen die Option .NET 8.0 (Langfristiger Support) und dann Erstellen aus.

   

Installieren der Clientbibliothek mit NuGet

1. Klicken Sie mit der rechten Maustaste auf Ihr Projekt docIntelligence_app, und wählen Sie NuGet-Pakete verwalten aus.

   

2. Wählen Sie die Registerkarte Durchsuchen aus, und geben Sie Azure.AI.FormRecognizer ein.

3. Aktivieren Sie das Kontrollkästchen Include prerelease.

   

4. Wählen Sie im Dropdownmenü eine Version aus, und installieren Sie das Paket in Ihrem Projekt.

Erstellen Ihrer Anwendung

Hinweis

Ab .NET 6 erzeugen neue Projekte, die die Vorlage console verwenden, einen neuen Programmstil, der sich von früheren Versionen unterscheidet. Die neue Ausgabe verwendet aktuelle C#-Funktionen, die den zu schreibenden Code vereinfachen.

Wenn Sie die neuere Version verwenden, müssen Sie nur den Text der Main-Methode schreiben. Sie müssen keine Top-Level-Anweisungen, globale Nutzungsanweisungen oder indirekte Nutzungsanweisungen einfügen. Weitere Informationen finden Sie unter C#-Konsolen-App-Vorlage zum Generieren von Anweisungen auf oberster Ebene.

1. Öffnen Sie die Datei Program.cs.

2. Löschen Sie den bereits vorhandenen Code, einschließlich der Zeile Console.Writeline("Hello World!").

3. Wählen Sie eines der folgenden Codebeispiele aus, kopieren Sie es, und fügen Sie es in die Datei Program.cs Ihrer Anwendung ein:

   • prebuilt-read
   • prebuilt-layout
   • prebuilt-tax.us.w2
   • Vordefinierte Rechnung
   • prebuilt-receipt
   • prebuilt-idDocument

4. Nachdem Sie Ihrer Anwendung ein Codebeispiel hinzugefügt haben, klicken Sie neben dem Projektnamen auf die grüne Schaltfläche Start, um Ihr Programm zu erstellen und auszuführen. Alternativ können Sie auch F5 drücken.

   

Verwenden des Lesemodells

using Azure;
using Azure.AI.DocumentIntelligence;

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

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

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

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

    for (int i = 0; i < page.Lines.Count; i++)
    {
        DocumentLine line = page.Lines[i];
        Console.WriteLine($"  Line {i} has content: '{line.Content}'.");

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

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

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

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

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

        foreach (DocumentSpan span in style.Spans)
        {
            Console.WriteLine($"  Content: {result.Content.Substring(span.Index, span.Length)}");
        }
    }
}

Console.WriteLine("Detected languages:");

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des read-Modells an.

Verwenden des Layoutmodells

using Azure;
using Azure.AI.DocumentIntelligence;

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

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

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

AnalyzeResult result = operation.Value;

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

    for (int i = 0; i < page.Lines.Count; i++)
    {
        DocumentLine line = page.Lines[i];
        Console.WriteLine($"  Line {i} has content: '{line.Content}'.");

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

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

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

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

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

Console.WriteLine("Paragraphs:");

foreach (DocumentParagraph paragraph in result.Paragraphs)
{
    Console.WriteLine($"  Paragraph content: {paragraph.Content}");

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

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

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

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

        foreach (DocumentSpan span in style.Spans)
        {
            Console.WriteLine($"  Content: {result.Content.Substring(span.Index, span.Length)}");
        }
    }
}

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

for (int i = 0; i < result.Tables.Count; i++)
{
    DocumentTable table = result.Tables[i];
    Console.WriteLine($"  Table {i} has {table.RowCount} rows and {table.ColumnCount} columns.");

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Layoutmodells an.

Verwenden des allgemeinen Dokumentmodells

using Azure;
using Azure.AI.DocumentIntelligence;

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

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

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

AnalyzeResult result = operation.Value;

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

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

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

    for (int i = 0; i < page.Lines.Count; i++)
    {
        DocumentLine line = page.Lines[i];
        Console.WriteLine($"  Line {i} has content: '{line.Content}'.");

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

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

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

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

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

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

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

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

        foreach (DocumentSpan span in style.Spans)
        {
            Console.WriteLine($"  Content: {result.Content.Substring(span.Index, span.Length)}");
        }
    }
}

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

for (int i = 0; i < result.Tables.Count; i++)
{
    DocumentTable table = result.Tables[i];
    Console.WriteLine($"  Table {i} has {table.RowCount} rows and {table.ColumnCount} columns.");

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des allgemeinen Dokumentmodells an.

Verwenden des W-2-Steuermodells

using Azure;
using Azure.AI.DocumentIntelligence;

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

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

Operation<AnalyzeResult> operation = await client.AnalyzeDocumentAsync(WaitUntil.Completed, "prebuilt-tax.us.w2", w2Uri);

AnalyzeResult result = operation.Value;

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

    AnalyzedDocument document = result.Documents[i];

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

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

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

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

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

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


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

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

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

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

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

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

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des W-2-Steuermodells an.

Verwenden des Rechnungsmodells

using Azure;
using Azure.AI.DocumentIntelligence;

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

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

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

AnalyzeResult result = operation.Value;

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

    AnalyzedDocument document = result.Documents[i];

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Rechnungsmodells an.

Verwenden des Belegmodells

using Azure;
using Azure.AI.DocumentIntelligence;

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

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

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

AnalyzeResult receipts = operation.Value;

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

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

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

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

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

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

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

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

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

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

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

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Belegmodells an.

Verwenden des Ausweisdokumentmodells

using Azure;
using Azure.AI.DocumentIntelligence;

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

// sample document document

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

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

AnalyzeResult identityDocuments = operation.Value;

AnalyzedDocument identityDocument = identityDocuments.Documents.Single();

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

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

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

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

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

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

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

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

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Ausweisdokumentmodells an.

Clientbibliothek | SDK-Referenz | REST-API-Referenz | Paket (Maven) | Beispiele |Unterstützte REST-API-Versionen

Voraussetzungen

• Azure-Abonnement – kostenloses Abonnement erstellen.

• Die aktuelle Version von Visual Studio Code oder Ihrer bevorzugten IDE Informationen finden Sie unter Java in Visual Studio Code.

  • Visual Studio Code bietet ein Coding Pack für Java für Windows und macOS. Das Coding Pack enthält VS Code, das Java Development Kit (JDK) und eine Sammlung vorgeschlagener Erweiterungen von Microsoft. Das Coding Pack kann auch verwendet werden, um eine vorhandene Entwicklungsumgebung zu korrigieren.
  • Wenn Sie VS Code und das Coding Pack für Java verwenden, installieren Sie die Erweiterung Gradle für Java.

  Wenn Sie nicht Visual Studio Code verwenden, stellen Sie sicher, dass Folgendes in Ihrer Entwicklungsumgebung installiert ist:

  • Java Development Kit (JDK), Version 8 oder höher. Weitere Informationen finden Sie unter Microsoft Build von OpenJDK.
  • Az Version 6.8 oder höher.

• Eine Azure KI Services- oder Dokument Intelligenz-Ressource. Erstellen Sie eine Ressource für einen einzelnen Dienst oder für mehrere Dienste. Sie können den kostenlosen Tarif (F0) verwenden, um den Dienst zu testen, und später für die Produktion auf einen kostenpflichtigen Tarif upgraden.

  Tipp

  Erstellen Sie eine Azure KI Services-Ressource, wenn Sie planen, über einen einzelnen Endpunkt und Schlüssel auf mehrere Azure KI Services zuzugreifen. Erstellen Sie nur für den Zugriff auf Dokument Intelligenz eine Dokument Intelligenz-Ressource. Sie benötigen eine Einzeldienstressource, wenn Sie die Microsoft Entra-Authentifizierung verwenden möchten.

• Der Schlüssel und der Endpunkt der von Ihnen erstellten Ressource, um Ihre Anwendung mit dem Azure Dokument Intelligenz-Dienst zu verbinden.

  1. Wählen Sie nach der Bereitstellung der Ressource Zu Ressource wechseln aus.
  2. Wählen Sie im linken Navigationsmenü Schlüssel und Endpunkt aus.
  3. Kopieren Sie einen der Schlüssel und den Endpunkt zur späteren Verwendung in diesem Artikel.

  

• Eine Dokumentdatei unter einer URL. Für dieses Projekt können Sie die Beispielformulare verwenden, die in der folgenden Tabelle für jede Funktion aufgeführt sind:

  Feature	modelID	document-url
  Lesemodell	prebuilt-read	Beispielbroschüre
  Layoutmodell	prebuilt-layout	Beispiel einer Buchungsbestätigung
  W-2-Formularmodell	prebuilt-tax.us.w2	W-2-Beispielformular
  Rechnungsmodell	Vordefinierte Rechnung	Beispielrechnung
  Belegmodell	prebuilt-receipt	Beispielbeleg
  Ausweisdokumentmodell	prebuilt-idDocument	Beispielausweisdokument

Festlegen Ihrer Umgebungsvariablen

Für die Interaktion mit dem Dokument Intelligenz-Dienst müssen Sie eine Instanz der DocumentAnalysisClient-Klasse erstellen. Dazu instanziieren Sie den Client mit Ihrem key und Ihrem endpoint über das Azure-Portal. In diesem Projekt verwenden Sie Umgebungsvariablen, um Anmeldeinformationen zu speichern und darauf zuzugreifen.

Wichtig

Wenn Sie einen API-Schlüssel verwenden, speichern Sie ihn an einer anderen Stelle sicher, z. B. in Azure Key Vault. Fügen Sie den API-Schlüssel nicht direkt in Ihren Code ein, und machen Sie ihn nicht öffentlich zugänglich.

Weitere Informationen zur Sicherheit von KI Services finden Sie unter Authentifizieren von Anforderungen an Azure KI Services.

Um die Umgebungsvariable für Ihren Dokument Intelligenz-Ressourcenschlüssel festzulegen, öffnen Sie ein Konsolenfenster, und befolgen Sie die Anweisungen für Ihr Betriebssystem und Ihre Entwicklungsumgebung. Ersetzen Sie <yourKey> und <yourEndpoint> durch die Werte Ihrer Ressource im Azure-Portal.

Windows

Bei Umgebungsvariablen in Windows ist die Groß-/Kleinschreibung nicht relevant. Sie werden in der Regel in Großbuchstaben angegeben, wobei die Wörter durch einen Unterstrich verbunden sind. Führen Sie an der Eingabeaufforderung die folgenden Befehle aus:

1. Legen Sie die Schlüsselvariable fest:

   setx DI_KEY <yourKey>
   

2. Festlegen der Endpunktvariable

   setx DI_ENDPOINT <yourEndpoint>
   

3. Schließen Sie das Eingabeaufforderungsfenster, nachdem Sie Ihre Umgebungsvariablen festgelegt haben. Die Werte bleiben erhalten, bis Sie sie erneut ändern.

4. Starten Sie alle laufenden Programme neu, in denen die Umgebungsvariable gelesen wird. Wenn Sie zum Beispiel Visual Studio oder Visual Studio Code als Editor verwenden, führen Sie einen Neustart durch, bevor Sie den Beispielcode ausführen.

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
setx VARIABLE_NAME=	Löscht die Umgebungsvariable, indem der Wert auf eine leere Zeichenfolge festgelegt wird.	setx DI_KEY=
setx VARIABLE_NAME=value	Legt den Wert einer Umgebungsvariablen fest oder ändert ihn.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariablen an.	set DI_KEY
set	Zeigt alle Umgebungsvariablen an.	set

macOS

Bei Umgebungsvariablen in macOS wird die Groß-/Kleinschreibung beachtet. Normalerweise wird der Variablenname in Großbuchstaben angegeben.

Mit dem Befehl export wird die Variable festgelegt und in die globale Umgebung exportiert, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und wird nur bis zum Schließen der Terminalsitzung aufrechterhalten. Öffnen Sie Ihr Terminal, und geben Sie die folgenden Befehle ein:

1. Legen Sie die Schlüsselvariable fest:

   export key=<yourKey>
   

2. Legen Sie die Endpunktvariable fest:

   export endpoint=<yourEndpoint>
   

Um eine Umgebungsvariable dauerhaft festlegen, fügen Sie einen Exportbefehl in Ihr Bash-Startskript ~/.bash_profile ein:

1. Öffnen Sie die ~/.bash_profile-Datei in einem Text-Editor, und fügen Sie den folgenden Befehl hinzu, um eine dauerhafte Umgebungsvariable zu erstellen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Beispiel: export DI_KEY="<yourKey>"

2. Speichern Sie Ihre Änderungen an der Datei bash_profile.

3. Führen Sie den folgenden Befehl in Ihrem Terminalfenster aus, damit die Änderungen wirksam werden:

   source ~/.bash-profile
   

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
unset VARIABLE_NAME	Löscht eine Umgebungsvariable.	unset DI_KEY
export VARIABLE_NAME=value	Legt den Wert einer temporären Umgebungsvariablen fest oder ändert ihn.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariablen an. Verwenden Sie den Befehl echo, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Zeigt alle Umgebungsvariablen an.	printenv

Linux

Bei Umgebungsvariablen in Linux wird die Groß-/Kleinschreibung beachtet. Normalerweise wird der Variablenname in Großbuchstaben angegeben.

Mit dem Befehl export wird die Variable festgelegt und in die globale Umgebung exportiert, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und wird nur bis zum Schließen der Terminalsitzung aufrechterhalten:

1. Legen Sie die Schlüsselvariable fest:

   export DI_KEY=<yourKey>
   

2. Legen Sie die Endpunktvariable fest:

   export DI_ENDPOINT=<yourEndpoint>
   

Um eine Umgebungsvariable dauerhaft festlegen, fügen Sie einen Exportbefehl in Ihr Bash-Startskript ~/.bashrc ein:

1. Öffnen Sie die ~/.bashrc-Datei in einem Text-Editor, und fügen Sie den folgenden Befehl hinzu, um eine dauerhafte Umgebungsvariable zu erstellen:

   export <VARIABLE>=<value>
   

   Beispiel: export DI_KEY=<yourKey>

2. Speichern Sie Ihre Änderungen an der .bashrc-Datei.

3. Führen Sie den folgenden Befehl in Ihrem Terminalfenster aus, damit die Änderungen wirksam werden:

   source ~/.bashrc
   

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
unset VARIABLE_NAME	Löscht eine Umgebungsvariable.	unset DI_KEY=
export VARIABLE_NAME=value	Legt den Wert einer temporären Umgebungsvariablen fest oder ändert ihn.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer Umgebungsvariablen an. Verwenden Sie den Befehl echo, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Zeigt alle Umgebungsvariablen an.	printenv

Einrichten Ihrer Programmierumgebung

Um Ihre Programmierumgebung einzurichten, erstellen Sie ein Gradle-Projekt, und installieren Sie die Clientbibliothek.

Erstellen eines Gradle-Projekts

1. Erstellen Sie in einem Konsolenfenster ein Verzeichnis namens doc-intelligence-app für Ihre App, und wechseln Sie in dieses Verzeichnis.

   mkdir doc-intelligence-app
   cd doc-intelligence-app
   

2. Führen Sie den Befehl gradle init in Ihrem Arbeitsverzeichnis aus. Mit diesem Befehl werden grundlegende Builddateien für Gradle erstellt, u. a. die Datei build.gradle.kts. Diese Datei wird zur Laufzeit zum Erstellen und Konfigurieren Ihrer Anwendung verwendet.

   gradle init --type basic
   

3. Wenn Sie zur Auswahl einer DSL aufgefordert werden, wählen Sie Kotlin aus.

4. Drücken Sie die EINGABETASTE, um den Standardprojektnamen doc-intelligence-app zu übernehmen.

Installieren der Clientbibliothek

In diesem Artikel wird der Gradle-Abhängigkeits-Manager verwendet. Die Clientbibliothek und Informationen zu anderen Abhängigkeits-Managern finden Sie im zentralen Maven-Repository.

1. Öffnen Sie die Datei build.gradle.kts des Projekts in Ihrer IDE. Kopieren Sie den folgenden Code, und fügen Sie ihn ein, um die Clientbibliothek sowie die erforderlichen Plug-Ins und Einstellungen in einer implementation-Anweisung einzubeziehen.

   plugins {
      java
      application
   }
   application {
       mainClass.set("DocIntelligence")
   }
   repositories {
       mavenCentral()
   }
   dependencies {
       implementation group: 'com.azure', name: 'azure-ai-documentintelligence', version: '1.0.0-beta.4'
   }
   

Erstellen einer Java-Anwendung

Für die Interaktion mit dem Dokument Intelligenz-Dienst erstellen Sie eine Instanz der DocumentIntelligenceClient-Klasse. Hierzu erstellen Sie ein AzureKeyCredential mit Ihrem key im Azure-Portal sowie eine DocumentIntelligenceClient-Instanz mit der AzureKeyCredential und Ihrem Dokument Intelligenz-endpoint.

1. Führen Sie im Verzeichnis doc-intelligence-app den folgenden Befehl aus:

   mkdir -p src/main/java
   

Dieser Befehl erstellt die folgende Verzeichnisstruktur:

1. Navigieren Sie zum Verzeichnis java, und erstellen Sie eine Datei mit dem Namen DocIntelligence.java.

   Tipp

   Sie können eine neue Datei mithilfe von PowerShell erstellen. Öffnen Sie ein PowerShell-Fenster in Ihrem Projektverzeichnis, indem Sie die UMSCHALTTASTE gedrückt halten und mit der rechten Maustaste auf den Ordner klicken. Geben Sie dann den folgenden Befehl ein: New-Item DocIntelligence.java.

2. Öffnen Sie die Datei DocIntelligence.java, wählen Sie eines der folgenden Codebeispiele aus, kopieren Sie es, und fügen Sie es in Ihre Anwendung ein:

   • Das Modell prebuilt-read ist das Kernstück aller Dokument Intelligenz-Modelle und kann Zeilen, Wörter, Orte und Sprachen erkennen. Das Layoutmodell, das allgemeine Dokumentmodell, die vordefinierten und die benutzerdefinierten Modelle verwenden das read-Modell als Grundlage für die Extraktion von Text aus Dokumenten.
   • Das Modell prebuilt-layout extrahiert Text und Textstellen, Tabellen, Auswahlmarkierungen und Strukturinformationen aus Dokumenten und Bildern.
   • Das Modell prebuilt-tax.us.w2 extrahiert Informationen aus US-amerikanischen IRS-Steuerformularen (Internal Revenue Service).
   • Das Modell prebuilt-invoice extrahiert Schlüsselfelder und Positionen aus Verkaufsrechnungen in verschiedenen Formaten.
   • Das Modell prebuilt-receipt extrahiert Schlüsselinformationen aus gedruckten und handschriftlichen Verkaufsbelegen.
   • Das Modell prebuilt-idDocument extrahiert Schlüsselinformationen aus US-Führerscheinen, Seiten mit Personendaten aus internationalen Reisepässen, Ausweisen US-amerikanischer Bundesstaaten, Sozialversicherungskarten und Aufenthaltsgenehmigungen.

3. Geben Sie folgende Befehle ein:

   gradle build
   gradle run
   

Verwenden des Lesemodells

import com.azure.ai.documentintelligence;

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

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


public class DocIntelligence {

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

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

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

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

String modelId = "prebuilt-read";

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

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

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

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

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des read-Modells an.

Verwenden des Layoutmodells

import com.azure.ai.documentintelligence;

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

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

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

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

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

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

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

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

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

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

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

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

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

}

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

}

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Layoutmodells an.

Verwenden des allgemeinen Dokumentmodells

import com.azure.ai.documentintelligence;

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

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

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

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

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

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

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

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

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

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

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

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

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

}

}

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des allgemeinen Dokumentmodells an.

Verwenden des W-2-Steuermodells

import com.azure.ai.documentintelligence;

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des W-2-Steuermodells an.

Verwenden des Rechnungsmodells

import com.azure.ai.documentintelligence;

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Rechnungsmodells an.

Verwenden des Belegmodells

import com.azure.ai.documentintelligence;

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

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

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

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

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

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

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

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

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

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

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

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

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Belegmodells an.

Verwenden des Ausweisdokumentmodells

import com.azure.ai.documentintelligence;

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Ausweisdokumentmodells an.

Clientbibliothek | REST-API-Referenz | Paket (npm) | Beispiele |Unterstützte REST-API-Versionen

Voraussetzungen

• Azure-Abonnement – kostenloses Abonnement erstellen.

• Die aktuelle Version von Visual Studio Code oder Ihrer bevorzugten IDE Weitere Informationen finden Sie unter Node.js in Visual Studio Code.

• Die aktuelle LTS-Version von Node.js

• Eine Azure KI Services- oder Dokument Intelligenz-Ressource. Erstellen Sie eine Ressource für einen einzelnen Dienst oder für mehrere Dienste. Sie können den kostenlosen Tarif (F0) verwenden, um den Dienst zu testen, und später für die Produktion auf einen kostenpflichtigen Tarif upgraden.

  Tipp

  Erstellen Sie eine Azure KI Services-Ressource, wenn Sie planen, über einen einzelnen Endpunkt und Schlüssel auf mehrere Azure KI Services zuzugreifen. Erstellen Sie nur für den Zugriff auf Dokument Intelligenz eine Dokument Intelligenz-Ressource. Sie benötigen eine Einzeldienstressource, wenn Sie die Microsoft Entra-Authentifizierung verwenden möchten.

• Der Schlüssel und der Endpunkt der von Ihnen erstellten Ressource, um Ihre Anwendung mit dem Azure Dokument Intelligenz-Dienst zu verbinden.

  1. Wählen Sie nach der Bereitstellung der Ressource Zu Ressource wechseln aus.
  2. Wählen Sie im linken Navigationsmenü Schlüssel und Endpunkt aus.
  3. Kopieren Sie einen der Schlüssel und den Endpunkt zur späteren Verwendung in diesem Artikel.

  

• Eine Dokumentdatei unter einer URL. Für dieses Projekt können Sie die Beispielformulare verwenden, die in der folgenden Tabelle für jede Funktion aufgeführt sind:

  Feature	modelID	document-url
  Lesemodell	prebuilt-read	Beispielbroschüre
  Layoutmodell	prebuilt-layout	Beispiel einer Buchungsbestätigung
  W-2-Formularmodell	prebuilt-tax.us.w2	W-2-Beispielformular
  Rechnungsmodell	Vordefinierte Rechnung	Beispielrechnung
  Belegmodell	prebuilt-receipt	Beispielbeleg
  Ausweisdokumentmodell	prebuilt-idDocument	Beispielausweisdokument

Festlegen Ihrer Umgebungsvariablen

Für die Interaktion mit dem Dokument Intelligenz-Dienst müssen Sie eine Instanz der DocumentAnalysisClient-Klasse erstellen. Dazu instanziieren Sie den Client mit Ihrem key und Ihrem endpoint über das Azure-Portal. In diesem Projekt verwenden Sie Umgebungsvariablen, um Anmeldeinformationen zu speichern und darauf zuzugreifen.

Wichtig

Wenn Sie einen API-Schlüssel verwenden, speichern Sie ihn an einer anderen Stelle sicher, z. B. in Azure Key Vault. Fügen Sie den API-Schlüssel nicht direkt in Ihren Code ein, und machen Sie ihn nicht öffentlich zugänglich.

Weitere Informationen zur Sicherheit von KI Services finden Sie unter Authentifizieren von Anforderungen an Azure KI Services.

Um die Umgebungsvariable für Ihren Dokument Intelligenz-Ressourcenschlüssel festzulegen, öffnen Sie ein Konsolenfenster, und befolgen Sie die Anweisungen für Ihr Betriebssystem und Ihre Entwicklungsumgebung. Ersetzen Sie <yourKey> und <yourEndpoint> durch die Werte Ihrer Ressource im Azure-Portal.

Windows

Bei Umgebungsvariablen in Windows ist die Groß-/Kleinschreibung nicht relevant. Sie werden in der Regel in Großbuchstaben angegeben, wobei die Wörter durch einen Unterstrich verbunden sind. Führen Sie an der Eingabeaufforderung die folgenden Befehle aus:

1. Legen Sie die Schlüsselvariable fest:

   setx DI_KEY <yourKey>
   

2. Festlegen der Endpunktvariable

   setx DI_ENDPOINT <yourEndpoint>
   

3. Schließen Sie das Eingabeaufforderungsfenster, nachdem Sie Ihre Umgebungsvariablen festgelegt haben. Die Werte bleiben erhalten, bis Sie sie erneut ändern.

4. Starten Sie alle laufenden Programme neu, in denen die Umgebungsvariable gelesen wird. Wenn Sie zum Beispiel Visual Studio oder Visual Studio Code als Editor verwenden, führen Sie einen Neustart durch, bevor Sie den Beispielcode ausführen.

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
setx VARIABLE_NAME=	Löscht die Umgebungsvariable, indem der Wert auf eine leere Zeichenfolge festgelegt wird.	setx DI_KEY=
setx VARIABLE_NAME=value	Legt den Wert einer Umgebungsvariablen fest oder ändert ihn.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariablen an.	set DI_KEY
set	Zeigt alle Umgebungsvariablen an.	set

macOS

Bei Umgebungsvariablen in macOS wird die Groß-/Kleinschreibung beachtet. Normalerweise wird der Variablenname in Großbuchstaben angegeben.

Mit dem Befehl export wird die Variable festgelegt und in die globale Umgebung exportiert, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und wird nur bis zum Schließen der Terminalsitzung aufrechterhalten. Öffnen Sie Ihr Terminal, und geben Sie die folgenden Befehle ein:

1. Legen Sie die Schlüsselvariable fest:

   export key=<yourKey>
   

2. Legen Sie die Endpunktvariable fest:

   export endpoint=<yourEndpoint>
   

Um eine Umgebungsvariable dauerhaft festlegen, fügen Sie einen Exportbefehl in Ihr Bash-Startskript ~/.bash_profile ein:

1. Öffnen Sie die ~/.bash_profile-Datei in einem Text-Editor, und fügen Sie den folgenden Befehl hinzu, um eine dauerhafte Umgebungsvariable zu erstellen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Beispiel: export DI_KEY="<yourKey>"

2. Speichern Sie Ihre Änderungen an der Datei bash_profile.

3. Führen Sie den folgenden Befehl in Ihrem Terminalfenster aus, damit die Änderungen wirksam werden:

   source ~/.bash-profile
   

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
unset VARIABLE_NAME	Löscht eine Umgebungsvariable.	unset DI_KEY
export VARIABLE_NAME=value	Legt den Wert einer temporären Umgebungsvariablen fest oder ändert ihn.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariablen an. Verwenden Sie den Befehl echo, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Zeigt alle Umgebungsvariablen an.	printenv

Linux

Bei Umgebungsvariablen in Linux wird die Groß-/Kleinschreibung beachtet. Normalerweise wird der Variablenname in Großbuchstaben angegeben.

Mit dem Befehl export wird die Variable festgelegt und in die globale Umgebung exportiert, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und wird nur bis zum Schließen der Terminalsitzung aufrechterhalten:

1. Legen Sie die Schlüsselvariable fest:

   export DI_KEY=<yourKey>
   

2. Legen Sie die Endpunktvariable fest:

   export DI_ENDPOINT=<yourEndpoint>
   

Um eine Umgebungsvariable dauerhaft festlegen, fügen Sie einen Exportbefehl in Ihr Bash-Startskript ~/.bashrc ein:

1. Öffnen Sie die ~/.bashrc-Datei in einem Text-Editor, und fügen Sie den folgenden Befehl hinzu, um eine dauerhafte Umgebungsvariable zu erstellen:

   export <VARIABLE>=<value>
   

   Beispiel: export DI_KEY=<yourKey>

2. Speichern Sie Ihre Änderungen an der .bashrc-Datei.

3. Führen Sie den folgenden Befehl in Ihrem Terminalfenster aus, damit die Änderungen wirksam werden:

   source ~/.bashrc
   

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
unset VARIABLE_NAME	Löscht eine Umgebungsvariable.	unset DI_KEY=
export VARIABLE_NAME=value	Legt den Wert einer temporären Umgebungsvariablen fest oder ändert ihn.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer Umgebungsvariablen an. Verwenden Sie den Befehl echo, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Zeigt alle Umgebungsvariablen an.	printenv

Einrichten Ihrer Programmierumgebung

Erstellen Sie eine Node.js Express-Anwendung.

1. Erstellen Sie in einem Konsolenfenster ein neues Verzeichnis namens doc-intel-app für Ihre App, und wechseln Sie zu diesem Verzeichnis.

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

2. Führen Sie den npm init Befehl aus, um die Anwendung zu initialisieren und ihr Projekt zu gerüsten.

   npm init
   

3. Geben Sie die Attribute Ihres Projekts an, indem Sie die im Terminal angezeigten Eingabeaufforderungen verwenden.

   • Die wichtigsten Attribute sind Name, Versionsnummer und Einstiegspunkt.
   • Es wird empfohlen, index.js als Namen für den Einstiegspunkt beizubehalten. Beschreibung, Testbefehl, GitHub-Repository, Schlüsselwörter, Autor und Lizenzinformationen sind optionale Attribute. Sie können sie für dieses Projekt überspringen.
   • Drücken Sie die EINGABETASTE, um die Vorschläge in Klammern zu übernehmen.

   Nachdem Sie die Prompts abgeschlossen haben, erstellt der Befehl eine Datei package.json in Ihrem Verzeichnis doc-intel-app.

4. Installieren Sie das npm-Paket der Clientbibliothek ai-document-intelligence:azure/identity

   npm i @azure-rest/ai-document-intelligence@1.0.0-beta.3 @azure/identity
   

Die Datei package.json Ihrer App wird mit den Abhängigkeiten aktualisiert.

1. Erstellen Sie im Anwendungsverzeichnis eine Datei namens index.js.

   Tipp

   Sie können eine neue Datei mithilfe von PowerShell erstellen. Öffnen Sie ein PowerShell-Fenster in Ihrem Projektverzeichnis, indem Sie die UMSCHALTTASTE gedrückt halten und mit der rechten Maustaste auf den Ordner klicken. Geben Sie dann den folgenden Befehl ein: New-Item index.js.

Erstellen Ihrer Anwendung

Für die Interaktion mit dem Dokument Intelligenz-Dienst müssen Sie eine Instanz der DocumentIntelligenceClient-Klasse erstellen. Hierzu erstellen Sie ein AzureKeyCredential mit Ihrem Schlüssel aus dem Azure-Portal sowie eine DocumentIntelligenceClient-Instanz mit dem AzureKeyCredential und Ihrem Dokument Intelligenz-Endpunkt.

Öffnen Sie die Datei index.js in Visual Studio Code oder Ihrer bevorzugten IDE, wählen Sie eines der folgenden Codebeispiele aus, kopieren Sie es, und fügen Sie es in Ihre Anwendung ein:

• Das Modell prebuilt-read ist das Kernstück aller Dokument Intelligenz-Modelle und kann Zeilen, Wörter, Orte und Sprachen erkennen. Das Layoutmodell, das allgemeine Dokumentmodell, die vordefinierten und die benutzerdefinierten Modelle verwenden das read-Modell als Grundlage für die Extraktion von Text aus Dokumenten.
• Das Modell prebuilt-layout extrahiert Text und Textstellen, Tabellen, Auswahlmarkierungen und Strukturinformationen aus Dokumenten und Bildern.
• Das Modell prebuilt-tax.us.w2 extrahiert Informationen aus US-amerikanischen IRS-Steuerformularen (Internal Revenue Service).
• Das Modell prebuilt-invoice extrahiert Informationen aus US-amerikanischen IRS-Steuerformularen (Internal Revenue Service).
• Das Modell prebuilt-receipt extrahiert Schlüsselinformationen aus gedruckten und handschriftlichen Verkaufsbelegen.
• Das Modell prebuilt-idDocument extrahiert Schlüsselinformationen aus US-Führerscheinen, Seiten mit Personendaten aus internationalen Reisepässen, Ausweisen US-amerikanischer Bundesstaaten, Sozialversicherungskarten und Aufenthaltsgenehmigungen.

Verwenden des Lesemodells

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

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

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

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

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

    const {
        content,
        pages,
        languages,
        styles
    } = await poller.pollUntilDone();

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

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

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

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

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

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

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

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des read-Modells an.

Verwenden des Layoutmodells

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

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

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

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

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

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

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

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

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

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

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

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Layoutmodells an.

Verwenden des allgemeinen Dokumentmodells

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

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

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

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

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

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

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

}

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des allgemeinen Dokumentmodells an.

Verwenden des W-2-Steuermodells

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des W-2-Steuermodells an.

Verwenden des Rechnungsmodells

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

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

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

async function main() {

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

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

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

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

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

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

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

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Rechnungsmodells an.

Verwenden des Belegmodells

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

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

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

async function main() {

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

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

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

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

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

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

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

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

}

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Belegmodells an.

Verwenden des Ausweisdokumentmodells

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

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

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

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

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

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

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

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

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

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

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

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Ausweisdokumentmodells an.

Clientbibliothek |SDK-Referenz | REST-API-Referenz | Paket (PyPi) | Beispiele | Unterstützte REST-API-Version

Voraussetzungen

• Azure-Abonnement – kostenloses Abonnement erstellen.

• Python 3.7 oder höher. Ihre Python-Installation sollte pip enthalten. Sie können überprüfen, ob pip installiert ist, indem Sie pip --version in der Befehlszeile ausführen. Installieren Sie die aktuelle Python-Version, um pip zu erhalten.

• Die aktuelle Version von Visual Studio Code oder Ihrer bevorzugten IDE Informationen finden Sie unter Erste Schritte mit Python in Visual Studio Code.

• Eine Azure KI Services- oder Dokument Intelligenz-Ressource. Erstellen Sie eine Ressource für einen einzelnen Dienst oder für mehrere Dienste. Sie können den kostenlosen Tarif (F0) verwenden, um den Dienst zu testen, und später für die Produktion auf einen kostenpflichtigen Tarif upgraden.

• Der Schlüssel und der Endpunkt der von Ihnen erstellten Ressource, um Ihre Anwendung mit dem Azure Dokument Intelligenz-Dienst zu verbinden.

  1. Wählen Sie nach der Bereitstellung der Ressource Zu Ressource wechseln aus.
  2. Wählen Sie im linken Navigationsmenü Schlüssel und Endpunkt aus.
  3. Kopieren Sie einen der Schlüssel und den Endpunkt zur späteren Verwendung in diesem Artikel.

  

• Eine Dokumentdatei unter einer URL. Für dieses Projekt können Sie die Beispielformulare verwenden, die in der folgenden Tabelle für jede Funktion aufgeführt sind:

  Feature	modelID	document-url
  Lesemodell	prebuilt-read	Beispielbroschüre
  Layoutmodell	prebuilt-layout	Beispiel einer Buchungsbestätigung
  W-2-Formularmodell	prebuilt-tax.us.w2	W-2-Beispielformular
  Rechnungsmodell	Vordefinierte Rechnung	Beispielrechnung
  Belegmodell	prebuilt-receipt	Beispielbeleg
  Ausweisdokumentmodell	prebuilt-idDocument	Beispielausweisdokument

Festlegen Ihrer Umgebungsvariablen

Für die Interaktion mit dem Dokument Intelligenz-Dienst müssen Sie eine Instanz der DocumentAnalysisClient-Klasse erstellen. Dazu instanziieren Sie den Client mit Ihrem key und Ihrem endpoint über das Azure-Portal. In diesem Projekt verwenden Sie Umgebungsvariablen, um Anmeldeinformationen zu speichern und darauf zuzugreifen.

Wichtig

Wenn Sie einen API-Schlüssel verwenden, speichern Sie ihn an einer anderen Stelle sicher, z. B. in Azure Key Vault. Fügen Sie den API-Schlüssel nicht direkt in Ihren Code ein, und machen Sie ihn nicht öffentlich zugänglich.

Weitere Informationen zur Sicherheit von KI Services finden Sie unter Authentifizieren von Anforderungen an Azure KI Services.

Um die Umgebungsvariable für Ihren Dokument Intelligenz-Ressourcenschlüssel festzulegen, öffnen Sie ein Konsolenfenster, und befolgen Sie die Anweisungen für Ihr Betriebssystem und Ihre Entwicklungsumgebung. Ersetzen Sie <yourKey> und <yourEndpoint> durch die Werte Ihrer Ressource im Azure-Portal.

Windows

Bei Umgebungsvariablen in Windows ist die Groß-/Kleinschreibung nicht relevant. Sie werden in der Regel in Großbuchstaben angegeben, wobei die Wörter durch einen Unterstrich verbunden sind. Führen Sie an der Eingabeaufforderung die folgenden Befehle aus:

1. Legen Sie die Schlüsselvariable fest:

   setx DI_KEY <yourKey>
   

2. Festlegen der Endpunktvariable

   setx DI_ENDPOINT <yourEndpoint>
   

3. Schließen Sie das Eingabeaufforderungsfenster, nachdem Sie Ihre Umgebungsvariablen festgelegt haben. Die Werte bleiben erhalten, bis Sie sie erneut ändern.

4. Starten Sie alle laufenden Programme neu, in denen die Umgebungsvariable gelesen wird. Wenn Sie zum Beispiel Visual Studio oder Visual Studio Code als Editor verwenden, führen Sie einen Neustart durch, bevor Sie den Beispielcode ausführen.

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
setx VARIABLE_NAME=	Löscht die Umgebungsvariable, indem der Wert auf eine leere Zeichenfolge festgelegt wird.	setx DI_KEY=
setx VARIABLE_NAME=value	Legt den Wert einer Umgebungsvariablen fest oder ändert ihn.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariablen an.	set DI_KEY
set	Zeigt alle Umgebungsvariablen an.	set

macOS

Bei Umgebungsvariablen in macOS wird die Groß-/Kleinschreibung beachtet. Normalerweise wird der Variablenname in Großbuchstaben angegeben.

Mit dem Befehl export wird die Variable festgelegt und in die globale Umgebung exportiert, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und wird nur bis zum Schließen der Terminalsitzung aufrechterhalten. Öffnen Sie Ihr Terminal, und geben Sie die folgenden Befehle ein:

1. Legen Sie die Schlüsselvariable fest:

   export key=<yourKey>
   

2. Legen Sie die Endpunktvariable fest:

   export endpoint=<yourEndpoint>
   

Um eine Umgebungsvariable dauerhaft festlegen, fügen Sie einen Exportbefehl in Ihr Bash-Startskript ~/.bash_profile ein:

1. Öffnen Sie die ~/.bash_profile-Datei in einem Text-Editor, und fügen Sie den folgenden Befehl hinzu, um eine dauerhafte Umgebungsvariable zu erstellen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Beispiel: export DI_KEY="<yourKey>"

2. Speichern Sie Ihre Änderungen an der Datei bash_profile.

3. Führen Sie den folgenden Befehl in Ihrem Terminalfenster aus, damit die Änderungen wirksam werden:

   source ~/.bash-profile
   

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
unset VARIABLE_NAME	Löscht eine Umgebungsvariable.	unset DI_KEY
export VARIABLE_NAME=value	Legt den Wert einer temporären Umgebungsvariablen fest oder ändert ihn.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariablen an. Verwenden Sie den Befehl echo, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Zeigt alle Umgebungsvariablen an.	printenv

Linux

Bei Umgebungsvariablen in Linux wird die Groß-/Kleinschreibung beachtet. Normalerweise wird der Variablenname in Großbuchstaben angegeben.

Mit dem Befehl export wird die Variable festgelegt und in die globale Umgebung exportiert, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und wird nur bis zum Schließen der Terminalsitzung aufrechterhalten:

1. Legen Sie die Schlüsselvariable fest:

   export DI_KEY=<yourKey>
   

2. Legen Sie die Endpunktvariable fest:

   export DI_ENDPOINT=<yourEndpoint>
   

Um eine Umgebungsvariable dauerhaft festlegen, fügen Sie einen Exportbefehl in Ihr Bash-Startskript ~/.bashrc ein:

1. Öffnen Sie die ~/.bashrc-Datei in einem Text-Editor, und fügen Sie den folgenden Befehl hinzu, um eine dauerhafte Umgebungsvariable zu erstellen:

   export <VARIABLE>=<value>
   

   Beispiel: export DI_KEY=<yourKey>

2. Speichern Sie Ihre Änderungen an der .bashrc-Datei.

3. Führen Sie den folgenden Befehl in Ihrem Terminalfenster aus, damit die Änderungen wirksam werden:

   source ~/.bashrc
   

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
unset VARIABLE_NAME	Löscht eine Umgebungsvariable.	unset DI_KEY=
export VARIABLE_NAME=value	Legt den Wert einer temporären Umgebungsvariablen fest oder ändert ihn.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer Umgebungsvariablen an. Verwenden Sie den Befehl echo, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Zeigt alle Umgebungsvariablen an.	printenv

Einrichten Ihrer Programmierumgebung

Öffnen Sie in Ihrer lokalen Umgebung ein Konsolenfenster, und installieren Sie die Azure KI Dokument Intelligenz-Clientbibliothek für Python mit pip:

pip install azure-ai-documentintelligence==1.0.0b4

Erstellen Ihrer Python-Anwendung

Für die Interaktion mit dem Dokument Intelligenz-Dienst müssen Sie eine Instanz der DocumentIntelligenceClient-Klasse erstellen. Hierzu erstellen Sie ein AzureKeyCredential mit Ihrem Schlüssel aus dem Azure-Portal sowie eine DocumentIntelligenceClient-Instanz mit dem AzureKeyCredential und Ihrem Dokument Intelligenz-Endpunkt.

1. Erstellen Sie eine neue Python-Datei namens form_recognizer_quickstart.py in einem Editor oder einer IDE.

2. Öffnen Sie die Datei form_recognizer_quickstart.py, wählen Sie eins der folgenden Codebeispiele aus, kopieren Sie es, und fügen Sie es in Ihre Anwendung ein:

   • Das Modell prebuilt-read ist das Kernstück aller Dokument Intelligenz-Modelle und kann Zeilen, Wörter, Orte und Sprachen erkennen. Das Layoutmodell, das allgemeine Dokumentmodell, die vordefinierten und die benutzerdefinierten Modelle verwenden das read-Modell als Grundlage für die Extraktion von Text aus Dokumenten.
   • Das Modell prebuilt-layout extrahiert Text und Textstellen, Tabellen, Auswahlmarkierungen und Strukturinformationen aus Dokumenten und Bildern.
   • Das Modell prebuilt-tax.us.w2 extrahiert Informationen aus US-amerikanischen IRS-Steuerformularen (Internal Revenue Service).
   • Das Modell prebuilt-invoice extrahiert Schlüsselfelder und Positionen aus Verkaufsrechnungen in verschiedenen Formaten.
   • Das Modell prebuilt-receipt extrahiert Schlüsselinformationen aus gedruckten und handschriftlichen Verkaufsbelegen.
   • Das Modell prebuilt-idDocument extrahiert Schlüsselinformationen aus US-Führerscheinen, Seiten mit Personendaten aus internationalen Reisepässen, Ausweisen US-amerikanischer Bundesstaaten, Sozialversicherungskarten und Aufenthaltsgenehmigungen.

3. Führen Sie den Python-Code an der Eingabeaufforderung aus.

   python form_recognizer_quickstart.py
   

Verwenden des Lesemodells

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

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

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


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


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

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

    poller = client.begin_analyze_document(
        "prebuilt-read", AnalyzeDocumentRequest(url_source=formUrl
    ))
    result: AnalyzeResult = poller.result()

    print("----Languages detected in the document----")
    if result.languages is not None:
        for language in result.languages:
            print(f"Language code: '{language.locale}' with confidence {language.confidence}")

    print("----Styles detected in the document----")
    if result.styles:
        for style in result.styles:
            if style.is_handwritten:
                print("Found the following handwritten content: ")
                print(",".join([result.content[span.offset : span.offset + span.length] for span in style.spans]))
            if style.font_style:
                print(f"The document contains '{style.font_style}' font style, applied to the following text: ")
                print(",".join([result.content[span.offset : span.offset + span.length] for span in style.spans]))

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

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

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

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

    if result.paragraphs:
        print(f"----Detected #{len(result.paragraphs)} paragraphs in the document----")
        for paragraph in result.paragraphs:
            print(f"Found paragraph with role: '{paragraph.role}' within {paragraph.bounding_regions} bounding region")
            print(f"...with content: '{paragraph.content}'")

        result.paragraphs.sort(key=lambda p: (p.spans.sort(key=lambda s: s.offset), p.spans[0].offset))
        print("-----Print sorted paragraphs-----")
        for idx, paragraph in enumerate(result.paragraphs):
            print(
                f"...paragraph:{idx} with offset: {paragraph.spans[0].offset} and length: {paragraph.spans[0].length}"
            )

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


if __name__ == "__main__":
    analyze_read()

Vollständigen Code auf GitHub anzeigen Weitere Beispiele

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des read-Modells an.

Verwenden des Layoutmodells

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


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


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

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

    poller = client.begin_analyze_document(
        "prebuilt-layout", AnalyzeDocumentRequest(url_source=formUrl
    ))
    result: AnalyzeResult = poller.result()

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

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

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

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

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

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

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



if __name__ == "__main__":
    analyze_layout()

Vollständigen Code auf GitHub anzeigen Weitere Beispiele

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Layoutmodells an.

Verwenden des W-2-Steuermodells

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

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

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


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

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

    poller = client.begin_analyze_document(
        "prebuilt-tax.us.w2",  AnalyzeDocumentRequest(url_source=formUrl
    ))

    w2s: AnalyzeResult =  poller.result()

        if w2s.documents:
        for idx, w2 in enumerate(w2s.documents):
            print(f"--------Analyzing US Tax W-2 Form #{idx + 1}--------")
            if w2.fields:
                form_variant = w2.fields.get("W2FormVariant")
                if form_variant:
                    print(
                        f"Form variant: {form_variant.get('valueString')} has confidence: " f"{form_variant.confidence}"
                    )
                tax_year = w2.fields.get("TaxYear")
                if tax_year:
                    print(f"Tax year: {tax_year.get('valueString')} has confidence: {tax_year.confidence}")
                w2_copy = w2.fields.get("W2Copy")
                if w2_copy:
                    print(f"W-2 Copy: {w2_copy.get('valueString')} has confidence: {w2_copy.confidence}")
                employee = w2.fields.get("Employee")
                if employee:
                    print("Employee data:")
                    employee_name = employee.get("valueObject").get("Name")
                    if employee_name:
                        f"confidence: {fed_income_tax_withheld.confidence}"
                    )
                social_security_wages = w2.fields.get("SocialSecurityWages")
                if social_security_wages:
                    print(
                        f"Social Security wages: {social_security_wages.get('valueNumber')} has confidence: "
                        f"{social_security_wages.confidence}"
                    )
                social_security_tax_withheld = w2.fields.get("SocialSecurityTaxWithheld")
                if social_security_tax_withheld:
                    print(
                        f"Social Security tax withheld: {social_security_tax_withheld.get('valueNumber')} "
                        f"has confidence: {social_security_tax_withheld.confidence}"
                    )
                medicare_wages_tips = w2.fields.get("MedicareWagesAndTips")
                if medicare_wages_tips:
                    print(
                        f"Medicare wages and tips: {medicare_wages_tips.get('valueNumber')} has confidence: "
                        f"{medicare_wages_tips.confidence}"
                    )
                medicare_tax_withheld = w2.fields.get("MedicareTaxWithheld")
                if medicare_tax_withheld:
                    print(
                        f"Medicare tax withheld: {medicare_tax_withheld.get('valueNumber')} has confidence: "
                        f"{medicare_tax_withheld.confidence}"
                    )
                social_security_tips = w2.fields.get("SocialSecurityTips")
                if social_security_tips:
                    print(
                        f"Social Security tips: {social_security_tips.get('valueNumber')} has confidence: "
                        f"{social_security_tips.confidence}"
                    )
                allocated_tips = w2.fields.get("AllocatedTips")
                if allocated_tips:
                    print(
                        f"Allocated tips: {allocated_tips.get('valueNumber')} has confidence: {allocated_tips.confidence}"
                    )
                verification_code = w2.fields.get("VerificationCode")
                if verification_code:
                    print(
                        f"Verification code: {verification_code.get('valueNumber')} has confidence: {verification_code.confidence}"
                    )
                dependent_care_benefits = w2.fields.get("DependentCareBenefits")
                if dependent_care_benefits:
                    print(
                        f"Dependent care benefits: {dependent_care_benefits.get('valueNumber')} has confidence: {dependent_care_benefits.confidence}"
                    )
                non_qualified_plans = w2.fields.get("NonQualifiedPlans")
                if non_qualified_plans:
                    print(
                        f"Non-qualified plans: {non_qualified_plans.get('valueNumber')} has confidence: {non_qualified_plans.confidence}"
                    )
                additional_info = w2.fields.get("AdditionalInfo")
                if additional_info:
                    print("Additional information:")
                    for item in additional_info.get("valueArray"):
                        letter_code = item.get("valueObject").get("LetterCode")
                        if letter_code:
                            print(
                                f"...Letter code: {letter_code.get('valueString')} has confidence: {letter_code.confidence}"
                            )
                        amount = item.get("valueObject").get("Amount")
                        if amount:
                            print(f"...Amount: {amount.get('valueNumber')} has confidence: {amount.confidence}")
                is_statutory_employee = w2.fields.get("IsStatutoryEmployee")
                if is_statutory_employee:
                    print(
                        f"Is statutory employee: {is_statutory_employee.get('valueString')} has confidence: {is_statutory_employee.confidence}"
                    )
                is_retirement_plan = w2.fields.get("IsRetirementPlan")
                if is_retirement_plan:
                    print(
                        f"Is retirement plan: {is_retirement_plan.get('valueString')} has confidence: {is_retirement_plan.confidence}"
                    )
                third_party_sick_pay = w2.fields.get("IsThirdPartySickPay")
                if third_party_sick_pay:
                    print(
                        f"Is third party sick pay: {third_party_sick_pay.get('valueString')} has confidence: {third_party_sick_pay.confidence}"
                    )
                other_info = w2.fields.get("Other")
                if other_info:
                    print(f"Other information: {other_info.get('valueString')} has confidence: {other_info.confidence}")
                state_tax_info = w2.fields.get("StateTaxInfos")
                if state_tax_info:
                    print("State Tax info:")
                    for tax in state_tax_info.get("valueArray"):
                        state = tax.get("valueObject").get("State")
                        if state:
                            print(f"...State: {state.get('valueString')} has confidence: {state.confidence}")
                        employer_state_id_number = tax.get("valueObject").get("EmployerStateIdNumber")
                        if employer_state_id_number:
                            print(
                                f"...Employer state ID number: {employer_state_id_number.get('valueString')} has "
                                f"confidence: {employer_state_id_number.confidence}"
                            )
                        state_wages_tips = tax.get("valueObject").get("StateWagesTipsEtc")
                        if state_wages_tips:
                            print(
                                f"...State wages, tips, etc: {state_wages_tips.get('valueNumber')} has confidence: "
                                f"{state_wages_tips.confidence}"
                            )
                        state_income_tax = tax.get("valueObject").get("StateIncomeTax")
                        if state_income_tax:
                            print(
                                f"...State income tax: {state_income_tax.get('valueNumber')} has confidence: "
                                f"{state_income_tax.confidence}"
                            )
                local_tax_info = w2.fields.get("LocalTaxInfos")
                if local_tax_info:
                    print("Local Tax info:")
                    for tax in local_tax_info.get("valueArray"):
                        local_wages_tips = tax.get("valueObject").get("LocalWagesTipsEtc")
                        if local_wages_tips:
                            print(
                                f"...Local wages, tips, etc: {local_wages_tips.get('valueNumber')} has confidence: "
                                f"{local_wages_tips.confidence}"
                            )
                        local_income_tax = tax.get("valueObject").get("LocalIncomeTax")
                        if local_income_tax:
                            print(
                                f"...Local income tax: {local_income_tax.get('valueNumber')} has confidence: "
                                f"{local_income_tax.confidence}"
                            )
                        locality_name = tax.get("valueObject").get("LocalityName")
                        if locality_name:
                            print(
                                f"...Locality name: {locality_name.get('valueString')} has confidence: "
                                f"{locality_name.confidence}"
                            )


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


if __name__ == "__main__":
    analyze_tax_us_w2()

Vollständigen Code auf GitHub anzeigen Weitere Beispiele

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des W-2-Steuermodells an.

Verwenden des Rechnungsmodells

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

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

def analyze_invoice():

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

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

    poller = client.begin_analyze_document(
        "prebuilt-invoice", AnalyzeDocumentRequest(url_source=formUrl), locale="en-US")

    result: AnalyzeResult = poller.result()

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


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

if __name__ == "__main__":
    analyze_invoice()

Vollständigen Code auf GitHub anzeigen Weitere Beispiele

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Rechnungsmodells an.

Verwenden des Belegmodells

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

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

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

   client = DocumentIntelligenceClient(
        endpoint=endpoint, credential=AzureKeyCredential(key)
    )
    poller = client.begin_analyze_document(
        "prebuilt-receipt", AnalyzeDocumentRequest(url_source=receiptUrl), locale="en-US"
    )
    receipts: AnalyzeResult = poller.result()

    if receipts.documents:
        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'}")
            if receipt.fields:
                merchant_name = receipt.fields.get("MerchantName")
                if merchant_name:
                    print(
                        f"Merchant Name: {merchant_name.get('valueString')} has confidence: "
                        f"{merchant_name.confidence}"
                    )
                transaction_date = receipt.fields.get("TransactionDate")
                if transaction_date:
                    print(
                        f"Transaction Date: {transaction_date.get('valueDate')} has confidence: "
                        f"{transaction_date.confidence}"
                    )
                items = receipt.fields.get("Items")
                if items:
                    print("Receipt items:")
                    for idx, item in enumerate(items.get("valueArray")):
                        print(f"...Item #{idx + 1}")
                        item_description = item.get("valueObject").get("Description")
                        if item_description:
                            print(
                                f"......Item Description: {item_description.get('valueString')} has confidence: "
                                f"{item_description.confidence}"
                            )
                        item_quantity = item.get("valueObject").get("Quantity")
                        if item_quantity:
                            print(
                                f"......Item Quantity: {item_quantity.get('valueString')} has confidence: "
                                f"{item_quantity.confidence}"
                            )
                        item_total_price = item.get("valueObject").get("TotalPrice")
                        if item_total_price:
                            print(
                                f"......Total Item Price: {format_price(item_total_price.get('valueCurrency'))} has confidence: "
                                f"{item_total_price.confidence}"
                            )
                subtotal = receipt.fields.get("Subtotal")
                if subtotal:
                    print(
                        f"Subtotal: {format_price(subtotal.get('valueCurrency'))} has confidence: {subtotal.confidence}"
                    )
                tax = receipt.fields.get("TotalTax")
                if tax:
                    print(f"Total tax: {format_price(tax.get('valueCurrency'))} has confidence: {tax.confidence}")
                tip = receipt.fields.get("Tip")
                if tip:
                    print(f"Tip: {format_price(tip.get('valueCurrency'))} has confidence: {tip.confidence}")
                total = receipt.fields.get("Total")
                if total:
                    print(f"Total: {format_price(total.get('valueCurrency'))} has confidence: {total.confidence}")
            print("--------------------------------------")



if __name__ == "__main__":
    analyze_receipts()

Vollständigen Code auf GitHub anzeigen Weitere Beispiele

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Belegmodells an.

Verwenden des Ausweisdokumentmodells

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

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

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

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

    poller =client.begin_analyze_document(
            "prebuilt-idDocument", AnalyzeDocumentRequest(url_source=identityUrl)
        )
     id_documents: AnalyzeResult = poller.result()

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


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

if __name__ == "__main__":
    analyze_identity_documents()

Vollständigen Code auf GitHub anzeigen Weitere Beispiele

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, und zeigen Sie die Ausgabe des Ausweisdokumentmodells an.

Hinweis

Für dieses Projekt wird das Befehlszeilentool cURL verwendet, um REST-API-Aufrufe auszuführen.

| Dokument Intelligenz-REST-API | Unterstützte Azure-SDKs

Voraussetzungen

• Azure-Abonnement – kostenloses Abonnement erstellen.

• Das cURL-Befehlszeilentool ist installiert. Bei Windows 10 und Windows 11 ist cURL im Lieferumfang enthalten. Geben Sie an einer Eingabeaufforderung den folgenden cURL-Befehl ein. Wenn die Hilfeoptionen angezeigt werden, ist cURL in Ihrer Windows-Umgebung installiert.

  curl -help
  

  Wenn cURL nicht installiert ist, können Sie das Tool hier herunterladen:

  • Windows
  • Mac oder Linux

• Eine Azure KI Services- oder Dokument Intelligenz-Ressource. Erstellen Sie eine Ressource für einen einzelnen Dienst oder für mehrere Dienste. Sie können den kostenlosen Tarif (F0) verwenden, um den Dienst zu testen, und später für die Produktion auf einen kostenpflichtigen Tarif upgraden.

• Der Schlüssel und der Endpunkt der von Ihnen erstellten Ressource, um Ihre Anwendung mit dem Azure Dokument Intelligenz-Dienst zu verbinden.

  1. Wählen Sie nach der Bereitstellung der Ressource Zu Ressource wechseln aus.
  2. Wählen Sie im linken Navigationsmenü Schlüssel und Endpunkt aus.
  3. Kopieren Sie einen der Schlüssel und den Endpunkt zur späteren Verwendung in diesem Artikel.

  

Festlegen Ihrer Umgebungsvariablen

Für die Interaktion mit dem Dokument Intelligenz-Dienst müssen Sie eine Instanz der DocumentAnalysisClient-Klasse erstellen. Dazu instanziieren Sie den Client mit Ihrem key und Ihrem endpoint über das Azure-Portal. In diesem Projekt verwenden Sie Umgebungsvariablen, um Anmeldeinformationen zu speichern und darauf zuzugreifen.

Wichtig

Wenn Sie einen API-Schlüssel verwenden, speichern Sie ihn an einer anderen Stelle sicher, z. B. in Azure Key Vault. Fügen Sie den API-Schlüssel nicht direkt in Ihren Code ein, und machen Sie ihn nicht öffentlich zugänglich.

Weitere Informationen zur Sicherheit von KI Services finden Sie unter Authentifizieren von Anforderungen an Azure KI Services.

Um die Umgebungsvariable für Ihren Dokument Intelligenz-Ressourcenschlüssel festzulegen, öffnen Sie ein Konsolenfenster, und befolgen Sie die Anweisungen für Ihr Betriebssystem und Ihre Entwicklungsumgebung. Ersetzen Sie <yourKey> und <yourEndpoint> durch die Werte Ihrer Ressource im Azure-Portal.

Windows

Bei Umgebungsvariablen in Windows ist die Groß-/Kleinschreibung nicht relevant. Sie werden in der Regel in Großbuchstaben angegeben, wobei die Wörter durch einen Unterstrich verbunden sind. Führen Sie an der Eingabeaufforderung die folgenden Befehle aus:

1. Legen Sie die Schlüsselvariable fest:

   setx DI_KEY <yourKey>
   

2. Festlegen der Endpunktvariable

   setx DI_ENDPOINT <yourEndpoint>
   

3. Schließen Sie das Eingabeaufforderungsfenster, nachdem Sie Ihre Umgebungsvariablen festgelegt haben. Die Werte bleiben erhalten, bis Sie sie erneut ändern.

4. Starten Sie alle laufenden Programme neu, in denen die Umgebungsvariable gelesen wird. Wenn Sie zum Beispiel Visual Studio oder Visual Studio Code als Editor verwenden, führen Sie einen Neustart durch, bevor Sie den Beispielcode ausführen.

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
setx VARIABLE_NAME=	Löscht die Umgebungsvariable, indem der Wert auf eine leere Zeichenfolge festgelegt wird.	setx DI_KEY=
setx VARIABLE_NAME=value	Legt den Wert einer Umgebungsvariablen fest oder ändert ihn.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariablen an.	set DI_KEY
set	Zeigt alle Umgebungsvariablen an.	set

macOS

Bei Umgebungsvariablen in macOS wird die Groß-/Kleinschreibung beachtet. Normalerweise wird der Variablenname in Großbuchstaben angegeben.

Mit dem Befehl export wird die Variable festgelegt und in die globale Umgebung exportiert, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und wird nur bis zum Schließen der Terminalsitzung aufrechterhalten. Öffnen Sie Ihr Terminal, und geben Sie die folgenden Befehle ein:

1. Legen Sie die Schlüsselvariable fest:

   export key=<yourKey>
   

2. Legen Sie die Endpunktvariable fest:

   export endpoint=<yourEndpoint>
   

Um eine Umgebungsvariable dauerhaft festlegen, fügen Sie einen Exportbefehl in Ihr Bash-Startskript ~/.bash_profile ein:

1. Öffnen Sie die ~/.bash_profile-Datei in einem Text-Editor, und fügen Sie den folgenden Befehl hinzu, um eine dauerhafte Umgebungsvariable zu erstellen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Beispiel: export DI_KEY="<yourKey>"

2. Speichern Sie Ihre Änderungen an der Datei bash_profile.

3. Führen Sie den folgenden Befehl in Ihrem Terminalfenster aus, damit die Änderungen wirksam werden:

   source ~/.bash-profile
   

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
unset VARIABLE_NAME	Löscht eine Umgebungsvariable.	unset DI_KEY
export VARIABLE_NAME=value	Legt den Wert einer temporären Umgebungsvariablen fest oder ändert ihn.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariablen an. Verwenden Sie den Befehl echo, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Zeigt alle Umgebungsvariablen an.	printenv

Linux

Bei Umgebungsvariablen in Linux wird die Groß-/Kleinschreibung beachtet. Normalerweise wird der Variablenname in Großbuchstaben angegeben.

Mit dem Befehl export wird die Variable festgelegt und in die globale Umgebung exportiert, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und wird nur bis zum Schließen der Terminalsitzung aufrechterhalten:

1. Legen Sie die Schlüsselvariable fest:

   export DI_KEY=<yourKey>
   

2. Legen Sie die Endpunktvariable fest:

   export DI_ENDPOINT=<yourEndpoint>
   

Um eine Umgebungsvariable dauerhaft festlegen, fügen Sie einen Exportbefehl in Ihr Bash-Startskript ~/.bashrc ein:

1. Öffnen Sie die ~/.bashrc-Datei in einem Text-Editor, und fügen Sie den folgenden Befehl hinzu, um eine dauerhafte Umgebungsvariable zu erstellen:

   export <VARIABLE>=<value>
   

   Beispiel: export DI_KEY=<yourKey>

2. Speichern Sie Ihre Änderungen an der .bashrc-Datei.

3. Führen Sie den folgenden Befehl in Ihrem Terminalfenster aus, damit die Änderungen wirksam werden:

   source ~/.bashrc
   

Hier finden Sie einige weitere nützliche Befehle zur Verwendung mit Umgebungsvariablen:

Get-Help	Aktion	Beispiel
unset VARIABLE_NAME	Löscht eine Umgebungsvariable.	unset DI_KEY=
export VARIABLE_NAME=value	Legt den Wert einer temporären Umgebungsvariablen fest oder ändert ihn.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer Umgebungsvariablen an. Verwenden Sie den Befehl echo, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Zeigt alle Umgebungsvariablen an.	printenv

Analysieren von Dokumenten und Erhalten von Ergebnissen

Eine POST-Anforderung wird verwendet, um Dokumente mit einem vordefinierten oder benutzerdefinierten Modell zu analysieren. Eine GET-Anforderung wird verwendet, um das Ergebnis eines Dokumentanalyseaufrufs abzurufen. modelId wird mit POST- und resultId mit GET-Vorgängen verwendet.

Verwenden Sie die folgende Tabelle als Referenz. Ersetzen Sie <modelId> und <document-url> durch die gewünschten Werte:

Modell	modelId	Beschreibung	document-url
Lesemodell	prebuilt-read	Beispielbroschüre	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/read.png
Layoutmodell	prebuilt-layout	Beispiel einer Buchungsbestätigung	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/layout.png
W-2-Formularmodell	prebuilt-tax.us.w2	W-2-Beispielformular	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png
Rechnungsmodell	Vordefinierte Rechnung	Beispielrechnung	https://github.com/Azure-Samples/cognitive-services-REST-api-samples/raw/master/curl/form-recognizer/rest-api/invoice.pdf
Belegmodell	prebuilt-receipt	Beispielbeleg	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/receipt.png
Ausweisdokumentmodell	prebuilt-idDocument	Beispielausweisdokument	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png

POST-Anforderung

Öffnen Sie ein Konsolenfenster, und führen Sie den folgenden cURL-Befehl aus. Die Befehle umfassen die Umgebungsvariablen für Endpunkt und Schlüssel, die zuvor im Abschnitt zum Festlegen von Umgebungsvariablen erstellt wurden. Ersetzen Sie diese Variablen, wenn Ihre Variablennamen anders lauten. Denken Sie daran, die Parameter <modelId> und <document-url> zu ersetzen.

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

Um Add-On-Funktionen zu aktivieren, verwenden Sie den features-Abfrageparameter in der POST-Anforderung. Ab dem 2023-07-31-Release (allgemeine Verfügbarkeit) werden die vier Add-On-Funktionen ocr.highResolution, ocr.formula, ocr.font und queryFields.premium bereitgestellt. Weitere Informationen zu den einzelnen Funktionen finden Sie unter Benutzerdefinierte Modelle.

Sie können die Funktionalitäten highResolution, formula und font nur für das Lese- und Layoutmodell und die Funktionalität queryFields für das allgemeine Dokumentmodell aufrufen. Das folgende Beispiel zeigt, wie Sie die Funktionalitäten highResolution, formula und font für das Layoutmodell aufrufen.

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

POST-Antwort

Sie erhalten die Antwort 202 (Success), die einen Operation-location-Header enthält. Verwenden Sie den Wert dieses Headers, um die Antwortergebnisse abzurufen.

Abrufen des Analyseergebnisses (GET-Anforderung)

Nachdem Sie die Analyze document-API aufgerufen haben, rufen Sie die API [Get analyze result}(/rest/api/aiservices/document-models/get-analyze-result?view=rest-aiservices-2024-02-29-preview&preserve-view=true&tabs=HTTP) auf, um den Status des Vorgangs und die extrahierten Daten abzurufen.

Das cURL-Befehlszeilentool führt keine Formatierung von API-Antworten mit JSON-Inhalten durch, wodurch der Inhalt möglicherweise schwer zu lesen ist. Um die JSON-Antwort zu formatieren, fügen Sie in Ihre GET-Anforderung das Pipe-Zeichen gefolgt von einem JSON-Formatierungstool ein.

Windows

Verwenden Sie das json-Tool von NodeJS als JSON-Formatierer für cURL. Wenn Sie Node.js noch nicht installiert haben, laden Sie die neueste Version herunter, und installieren Sie sie.

1. Öffnen Sie ein Konsolenfenster, und installieren Sie das json-Tool mit dem folgenden Befehl:

   npm install -g jsontool
   

2. Geben Sie die JSON-Ausgabe formatiert aus, indem Sie das Pipe-Zeichen | json in Ihre GET-Anforderungen einschließen.

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

macOS

Das Befehlstool json_pp ist im Lieferumfang von macOS enthalten und kann als JSON-Formatierer für cURL verwendet werden.

• Geben Sie die JSON-Ausgabe formatiert aus, indem Sie | json_pp in Ihre GET-Anforderungen einschließen.

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

Linux

Das Befehlszeilentool json_pp ist in den meisten Linux-Distributionen vorinstalliert. Falls es nicht enthalten ist, können Sie es mit dem Paket-Manager Ihrer Distribution installieren.

• Geben Sie die JSON-Ausgabe formatiert aus, indem Sie | json_pp in Ihre GET-Anforderungen einschließen.

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

GET-Anforderung

Nehmen Sie vor dem Ausführen des folgenden Befehls diese Änderungen vor:

• Ersetzen Sie <POST response> durch den Operation-location-Header aus der POST-Antwort.
• Ersetzen Sie <DI_KEY durch die Variable für Ihre Umgebungsvariable, wenn der Name anders lautet als im Code angegeben.
• Ersetzen Sie *<json-tool> durch Ihr JSON-Formatierungstool.

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

Untersuchen der Antwort

Sie erhalten die Antwort 200 (Success) mit einer JSON-Ausgabe. Das erste Feld, status, gibt den Status des Vorgangs an. Wenn der Vorgang nicht abgeschlossen ist, lautet der Wert von status entweder running oder notStarted. Rufen Sie die API erneut auf, entweder manuell oder über ein Skript. Ein Intervall von mindestens einer Sekunde zwischen den Aufrufen wird empfohlen.

Navigieren Sie zum Repository mit Azure-Beispielen auf GitHub, um die GET-Antwort für jedes Dokument Intelligenz-Modell anzuzeigen:

Modell	Ausgabe-URL
Lesemodell	Ausgabe des Lesemodells
Layoutmodell	Ausgabe des Layoutmodells
W-2-Steuermodell	Ausgabe des W-2-Steuermodells
Rechnungsmodell	Ausgabe des Rechnungsmodells
Belegmodell	Ausgabe des Belegmodells
Ausweisdokumentmodell	Ausgabe des Ausweisdokumentmodells

Nächste Schritte

Herzlichen Glückwunsch! Sie haben gelernt, wie Sie Dokument Intelligenz-Modelle nutzen können, um verschiedene Dokumente auf unterschiedliche Weise zu analysieren. Testen Sie als Nächstes Dokument Intelligenz Studio, und lesen Sie die Referenzdokumentation.

Testen von Dokument Intelligenz Studio Erkunden der Dokument Intelligenz-REST-API