Verwenden von Dokument Intelligenz-Modellen

Dieser Inhalt gilt für:Version 4.0 (GA) | 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 Dokumentintelligenzmodelle hinzufügen. Verwenden Sie ein Programmiersprachen-SDK Ihrer Wahl oder die REST-API.

Azure AI Document Intelligence ist ein cloudbasierter Azure AI-Dienst, der maschinelles Lernen verwendet, um wichtige Text- und Strukturelemente aus Dokumenten zu extrahieren. Es wird empfohlen, den kostenlosen Service zu verwenden, während Sie die Technologie erlernen. Bedenken Sie, dass die Anzahl der kostenlosen Seiten auf 500 pro Monat beschränkt ist.

Wählen Sie aus den folgenden Document Intelligence-Modellen aus, und analysieren und extrahieren Sie Daten und Werte aus Formularen und Dokumenten:

• Das vorgefertigte Lesemodell ist der Kern aller Dokumentintelligenzmodelle und kann Linien, Wörter, Speicherorte und Sprachen erkennen. Layout, allgemeine Dokumente, vorgefertigte und benutzerdefinierte Modelle verwenden das read Modell als Grundlage zum Extrahieren von Texten aus Dokumenten.

• Das vorgefertigte Layoutmodell extrahiert Text- und Textspeicherorte, Tabellen, Auswahlzeichen 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 vorkonfigurierte Rechnungsmodell extrahiert Schlüsselfelder und Positionen aus Verkaufsrechnungen in verschiedenen Formaten und Qualität. Felder umfassen aufgezeichnete Bilder, gescannte Dokumente und digitale PDF-Dateien.

• Das vorkonfigurierte Belegmodell extrahiert wichtige Informationen aus gedruckten und handschriftlichen Verkaufsbestätigungen.

• Das vorgefertigte IdDocument-Modell extrahiert wichtige Informationen aus US-amerikanischen Führerscheinen, internationalen biografischen Seiten, US-Bundesstaaten-Ausweisen, Sozialversicherungskarten und Aufenthaltserlaubnissen.

Clientbibliothek |REST-API-Referenz | Paket| Proben|Unterstützte REST-API-Version

Voraussetzungen

• Ein Azure-Abonnement – Kostenlos erstellen.

• Die 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 Endpunkt aus der Ressource, die Sie erstellen, um Ihre Anwendung mit dem Azure Document Intelligence-Dienst zu verbinden.

  1. Wählen Sie nach der Bereitstellung der Ressource Zu Ressource wechseln aus.
  2. Wählen Sie im linken Bereich Schlüssel und Endpunkt aus.
  3. Kopieren Sie einen der Schlüssel und den Endpunkt für die spätere Verwendung in diesem Artikel.

  

• Eine Dokumentdatei an einem URL-Speicherort. Für dieses Projekt können Sie die in der folgenden Tabelle bereitgestellten Beispielformulare für jedes Feature verwenden:

  Merkmal	modelID	document-url
  Lesemodell	prebuilt-read	Beispiel-Broschüre
  Layoutmodell	vorgefertigtes Layout	Beispielbuchungsbestätigung
  W-2-Formularmodell	prebuilt-tax.us.w2	W-2-Beispielformular
  Rechnungsmodell	Vorgefertigte Rechnung	Beispielrechnung
  Belegmodell	prebuilt-receipt	Beispielbeleg
  Ausweisdokumentmodell	prebuilt-idDocument	Beispiel-ID-Dokument

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. Verwenden Sie für dieses Projekt Umgebungsvariablen, um Anmeldeinformationen zu speichern und darauf zuzugreifen.

Wichtig

Verwenden Sie API-Schlüssel mit Vorsicht. Fügen Sie den API-Schlüssel nicht direkt in Ihren Code ein, und machen Sie ihn nicht öffentlich zugänglich. Wenn Sie einen API-Schlüssel verwenden, speichern Sie ihn sicher in Azure Key Vault. Weitere Informationen zur sicheren Verwendung von API-Schlüsseln in Ihren Apps finden Sie unter API-Schlüssel mit Azure Key Vault.

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

Um die Umgebungsvariable für Den Document Intelligence-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 aus Ihrer Ressource im Azure-Portal.

Fenster

Bei Umgebungsvariablen in Windows wird die Groß-/Kleinschreibung nicht beachtet. Sie werden in der Regel in Großbuchstaben deklariert, wobei Wörter mit einem Unterstrich verknüpft sind. Führen Sie an einer 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 Die Umgebungsvariablen festgelegt haben. Die Werte bleiben bestehen, bis Sie sie erneut ändern.

4. Starten Sie alle ausgeführten Programme neu, die die Umgebungsvariable lesen. Wenn Sie beispielsweise Visual Studio oder Visual Studio Code als Editor verwenden, starten Sie den Code neu, bevor Sie den Beispielcode ausführen.

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
setx VARIABLE_NAME=	Löschen Sie die Umgebungsvariable, indem Sie den Wert auf eine leere Zeichenfolge festlegen.	setx DI_KEY=
setx VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer Umgebungsvariable.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariable an.	set DI_KEY
set	Alle Umgebungsvariablen anzeigen.	set

macOS

Umgebungsvariablen in macOS sind case-sensitive. Üblicherweise wird der Variablenname in Großbuchstaben deklariert.

Der export Befehl legt die Variable fest und exportiert sie in die globale Umgebung, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und dauert nur, bis Sie die Terminalsitzung schließen. Öffnen Sie Ihr Terminal, und geben Sie die folgenden Befehle ein:

1. Legen Sie die Schlüsselvariable fest:

   export key=<yourKey>
   

2. Festlegen der Endpunktvariable:

   export endpoint=<yourEndpoint>
   

Wenn Sie eine Umgebungsvariable dauerhaft festlegen möchten, platzieren Sie einen Exportbefehl in Ihrem Bash-Startskript ~/.bash_profile :

1. Verwenden Sie einen Text-Editor, um die Datei ~/.bash_profile zu öffnen, und fügen Sie den folgenden Befehl hinzu, um eine permanente Umgebungsvariable zu erstellen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Beispiel: export DI_KEY="<yourKey>"

2. Speichern Sie Ihre Änderungen in der bash_profile Datei.

3. Um die Änderungen wirksam zu machen, führen Sie den folgenden Befehl im Terminalfenster aus:

   source ~/.bash-profile
   

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
unset VARIABLE_NAME	Löschen sie eine Umgebungsvariable.	unset DI_KEY
export VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer temporären Umgebungsvariable.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariable an. Verwenden Sie den Befehl „echo“, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Alle Umgebungsvariablen anzeigen.	printenv

Linux

Bei Umgebungsvariablen in Linux wird die Groß-/Kleinschreibung beachtet. Üblicherweise wird der Variablenname in Großbuchstaben deklariert.

Der export Befehl legt die Variable fest und exportiert sie in die globale Umgebung, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und dauert nur, bis Sie die Terminalsitzung schließen:

1. Legen Sie die Schlüsselvariable fest:

   export DI_KEY=<yourKey>
   

2. Festlegen der Endpunktvariable:

   export DI_ENDPOINT=<yourEndpoint>
   

Wenn Sie eine Umgebungsvariable dauerhaft festlegen möchten, platzieren Sie einen Exportbefehl in Ihrem Bash-Startskript ~/.bashrc :

1. Verwenden Sie einen Text-Editor, um die Datei ~/.bashrc zu öffnen und den folgenden Befehl hinzuzufügen, um eine permanente Umgebungsvariable zu erstellen:

   export <VARIABLE>=<value>
   

   Beispiel: export DI_KEY=<yourKey>

2. Speichern Sie Ihre Änderungen in der BASHRC-Datei .

3. Um die Änderungen wirksam zu machen, führen Sie den folgenden Befehl im Terminalfenster aus:

   source ~/.bashrc
   

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
unset VARIABLE_NAME	Löschen sie eine Umgebungsvariable.	unset DI_KEY=
export VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer temporären Umgebungsvariable.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer Umgebungsvariable an. Verwenden Sie den Befehl „echo“, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Alle Umgebungsvariablen anzeigen.	printenv

Einrichten der 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 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" docIntelligence_app ein. Wählen Sie dann Weiter aus.

   

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

   

Installieren der Clientbibliothek mit NuGet

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

   

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

3. 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 in der C#-Konsolen-App-Vorlage, die Anweisungen auf oberster Ebene generiert.

1. Öffnen Sie die Datei Program.cs.

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

3. Wählen Sie eines der folgenden Codebeispiele aus, und kopieren/einfügen Sie sie in die Program.cs Datei Ihrer Anwendung:

   • prebuilt-read
   • vorgefertigtes Layout
   • prebuilt-tax.us.w2
   • Vordefinierte Rechnung
   • Vorgefertigte Quittung
   • prebuilt-idDocument

4. Nachdem Sie Ihrer Anwendung ein Codebeispiel hinzugefügt haben, wählen Sie die grüne Startschaltfläche neben dem Projektnamen aus, um Ihr Programm zu erstellen und auszuführen, oder drücken Sie F5.

   

Verwenden Sie das Lesemodell

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.Polygon.Count; j++)
        {
            Console.WriteLine($"      Point {j} => X: {line.Polygon[j].X}, Y: {line.Polygon[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}.");
}

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und zeigen Sie die read Modellausgabe an.

Layoutmodell verwenden

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.Polygon.Count; j++)
        {
            Console.WriteLine($"      Point {j} => X: {line.Polygon[j].X}, Y: {line.Polygon[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.Polygon.Count; j++)
        {
            Console.WriteLine($"      Point {j} => X: {selectionMark.Polygon[j].X}, Y: {selectionMark.Polygon[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.Polygon.Count; j++)
        {
            Console.WriteLine($"      Point {j} => X: {line.Polygon[j].X}, Y: {line.Polygon[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.Polygon.Count; j++)
        {
            Console.WriteLine($"      Point {j} => X: {selectionMark.Polygon[j].X}, Y: {selectionMark.Polygon[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}'.");
    }
}

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und zeigen Sie die allgemeine Dokumentmodellausgabe 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}");
                }
            }
        }
    }
}

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und sehen Sie sich 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}");
        }
    }
}

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und zeigen Sie die Rechnungsmodellausgabe 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 ID-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 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}");
    }
}

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und sehen Sie sich die Ausgabe des ID-Dokumentenmodells an.

Clientbibliothek | REST-API-Referenz | Paket (Maven) | Proben |Unterstützte REST-API-Version

Voraussetzungen

• Ein Azure-Abonnement – Kostenlos erstellen.

• Die aktuelle Version von Visual Studio Code oder Ihrer bevorzugten IDE Siehe Java in Visual Studio Code.

  • Visual Studio Code bietet ein Coding Pack für Java für Windows und macOS. Das Codierungspaket ist ein Bündel von VS Code, java Development Kit (JDK) und eine Sammlung von vorgeschlagenen 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 of OpenJDK.
  • Gradle, 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 AI Foundry-Ressource, wenn Sie mithilfe eines einzelnen Endpunkts und Schlüssels auf mehrere Azure AI-Dienste zugreifen möchten. 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 Endpunkt aus der Ressource, die Sie erstellen, um Ihre Anwendung mit dem Azure Document Intelligence-Dienst zu verbinden.

  1. Wählen Sie nach der Bereitstellung der Ressource Zu Ressource wechseln aus.
  2. Wählen Sie im linken Bereich Schlüssel und Endpunkt aus.
  3. Kopieren Sie einen der Schlüssel und den Endpunkt für die spätere Verwendung in diesem Artikel.

  

• Eine Dokumentdatei unter einer URL. Für dieses Projekt können Sie die in der folgenden Tabelle bereitgestellten Beispielformulare für jedes Feature verwenden:

  Merkmal	modelID	document-url
  Lesemodell	prebuilt-read	Beispiel-Broschüre
  Layoutmodell	vorgefertigtes Layout	Beispielbuchungsbestätigung
  W-2-Formularmodell	prebuilt-tax.us.w2	W-2-Beispielformular
  Rechnungsmodell	Vorgefertigte Rechnung	Beispielrechnung
  Belegmodell	prebuilt-receipt	Beispielbeleg
  Ausweisdokumentmodell	prebuilt-idDocument	Beispiel-ID-Dokument

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. Verwenden Sie für dieses Projekt Umgebungsvariablen, um Anmeldeinformationen zu speichern und darauf zuzugreifen.

Wichtig

Verwenden Sie API-Schlüssel mit Vorsicht. Fügen Sie den API-Schlüssel nicht direkt in Ihren Code ein, und machen Sie ihn nicht öffentlich zugänglich. Wenn Sie einen API-Schlüssel verwenden, speichern Sie ihn sicher in Azure Key Vault. Weitere Informationen zur sicheren Verwendung von API-Schlüsseln in Ihren Apps finden Sie unter API-Schlüssel mit Azure Key Vault.

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

Um die Umgebungsvariable für Den Document Intelligence-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 aus Ihrer Ressource im Azure-Portal.

Fenster

Bei Umgebungsvariablen in Windows wird die Groß-/Kleinschreibung nicht beachtet. Sie werden in der Regel in Großbuchstaben deklariert, wobei Wörter mit einem Unterstrich verknüpft sind. Führen Sie an einer 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 Die Umgebungsvariablen festgelegt haben. Die Werte bleiben bestehen, bis Sie sie erneut ändern.

4. Starten Sie alle ausgeführten Programme neu, die die Umgebungsvariable lesen. Wenn Sie beispielsweise Visual Studio oder Visual Studio Code als Editor verwenden, starten Sie den Code neu, bevor Sie den Beispielcode ausführen.

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
setx VARIABLE_NAME=	Löschen Sie die Umgebungsvariable, indem Sie den Wert auf eine leere Zeichenfolge festlegen.	setx DI_KEY=
setx VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer Umgebungsvariable.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariable an.	set DI_KEY
set	Alle Umgebungsvariablen anzeigen.	set

macOS

Umgebungsvariablen in macOS sind case-sensitive. Üblicherweise wird der Variablenname in Großbuchstaben deklariert.

Der export Befehl legt die Variable fest und exportiert sie in die globale Umgebung, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und dauert nur, bis Sie die Terminalsitzung schließen. Öffnen Sie Ihr Terminal, und geben Sie die folgenden Befehle ein:

1. Legen Sie die Schlüsselvariable fest:

   export key=<yourKey>
   

2. Festlegen der Endpunktvariable:

   export endpoint=<yourEndpoint>
   

Wenn Sie eine Umgebungsvariable dauerhaft festlegen möchten, platzieren Sie einen Exportbefehl in Ihrem Bash-Startskript ~/.bash_profile :

1. Verwenden Sie einen Text-Editor, um die Datei ~/.bash_profile zu öffnen, und fügen Sie den folgenden Befehl hinzu, um eine permanente Umgebungsvariable zu erstellen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Beispiel: export DI_KEY="<yourKey>"

2. Speichern Sie Ihre Änderungen in der bash_profile Datei.

3. Um die Änderungen wirksam zu machen, führen Sie den folgenden Befehl im Terminalfenster aus:

   source ~/.bash-profile
   

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
unset VARIABLE_NAME	Löschen sie eine Umgebungsvariable.	unset DI_KEY
export VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer temporären Umgebungsvariable.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariable an. Verwenden Sie den Befehl „echo“, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Alle Umgebungsvariablen anzeigen.	printenv

Linux

Bei Umgebungsvariablen in Linux wird die Groß-/Kleinschreibung beachtet. Üblicherweise wird der Variablenname in Großbuchstaben deklariert.

Der export Befehl legt die Variable fest und exportiert sie in die globale Umgebung, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und dauert nur, bis Sie die Terminalsitzung schließen:

1. Legen Sie die Schlüsselvariable fest:

   export DI_KEY=<yourKey>
   

2. Festlegen der Endpunktvariable:

   export DI_ENDPOINT=<yourEndpoint>
   

Wenn Sie eine Umgebungsvariable dauerhaft festlegen möchten, platzieren Sie einen Exportbefehl in Ihrem Bash-Startskript ~/.bashrc :

1. Verwenden Sie einen Text-Editor, um die Datei ~/.bashrc zu öffnen und den folgenden Befehl hinzuzufügen, um eine permanente Umgebungsvariable zu erstellen:

   export <VARIABLE>=<value>
   

   Beispiel: export DI_KEY=<yourKey>

2. Speichern Sie Ihre Änderungen in der BASHRC-Datei .

3. Um die Änderungen wirksam zu machen, führen Sie den folgenden Befehl im Terminalfenster aus:

   source ~/.bashrc
   

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
unset VARIABLE_NAME	Löschen sie eine Umgebungsvariable.	unset DI_KEY=
export VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer temporären Umgebungsvariable.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer Umgebungsvariable an. Verwenden Sie den Befehl „echo“, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Alle Umgebungsvariablen anzeigen.	printenv

Einrichten der 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 für Ihre App namens Doc-Intelligence-App , und navigieren Sie zu der App.

   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. Wählen Sie Enter, um den Standardprojektnamen, doc-intelligence-app, zu akzeptieren.

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 zusammen mit den erforderlichen Plug-Ins und Einstellungen als implementation Anweisung einzuschließen.

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

Erstellen einer Java-Anwendung

Um mit dem Dokumentintelligenzdienst zu interagieren, erstellen Sie eine Instanz der DocumentIntelligenceClient Klasse. Hierzu erstellen Sie eine AzureKeyCredential mit Ihrem key im Azure-Portal sowie eine DocumentIntelligenceClient-Instanz mit der AzureKeyCredential und Ihrem Dokument Intelligenz-endpoint.

1. Führen Sie im Doc-Intelligence-App-Verzeichnis den folgenden Befehl aus:

   mkdir -p src/main/java
   

Dieser Befehl erstellt die folgende Verzeichnisstruktur:

1. Navigieren Sie zum Verzeichnis, und erstellen Sie eine Datei mit dem java 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, und geben Sie dann den folgenden Befehl ein: New-Item DocIntelligence.java.

2. Öffnen Sie die DocIntelligence.java Datei, und wählen Sie eines der folgenden Codebeispiele aus, UND kopieren/einfügen Sie sie in Ihre Anwendung:

   • Das vorgefertigte Lesemodell ist der Kern aller Dokumentintelligenzmodelle und kann Linien, Wörter, Speicherorte und Sprachen erkennen. Das Layout, das allgemeine Dokument, die Vorversion und die benutzerdefinierten Modelle verwenden das read Modell als Grundlage zum Extrahieren von Texten aus Dokumenten.
   • Das vorgefertigte Layoutmodell extrahiert Text- und Textspeicherorte, Tabellen, Auswahlzeichen und Strukturinformationen aus Dokumenten und Bildern.
   • Das Modell prebuilt-tax.us.w2 extrahiert Informationen aus US-amerikanischen IRS-Steuerformularen (Internal Revenue Service).
   • Das vorkonfigurierte Rechnungsmodell extrahiert Schlüsselfelder und Positionen aus Verkaufsrechnungen in verschiedenen Formaten.
   • Das vorkonfigurierte Belegmodell extrahiert wichtige Informationen aus gedruckten und handschriftlichen Verkaufsbestätigungen.
   • Das vordefinierte idDocument-Modell extrahiert wichtige Informationen aus US-Führerscheinen; internationale Reisepass-Biografieseiten; US-Staatsausweisen; Sozialversicherungskarten; und Green Cards.

3. Geben Sie die folgenden Befehle ein:

   gradle build
   gradle run
   

Verwenden Sie das Lesemodell

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.getPolygon().toString()));

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

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und zeigen Sie die read Modellausgabe an.

Layoutmodell verwenden

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.getPolygon().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.getPolygon()),
      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 > Polygon) {
  return Polygon.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.getPolygon().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());
  }
});

}

}

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und zeigen Sie die allgemeine Dokumentmodellausgabe 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());
    }
  }
}
}
}

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und sehen Sie sich 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());
            }
          }
        }));
    }
  }
}
}
}

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und zeigen Sie die Rechnungsmodellausgabe 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 ID-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 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());
    }
  }
}
}
}

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und sehen Sie sich die Ausgabe des ID-Dokumentenmodells an.

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

Voraussetzungen

• Ein Azure-Abonnement – Kostenlos 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 AI Foundry-Ressource, wenn Sie mithilfe eines einzelnen Endpunkts und Schlüssels auf mehrere Azure AI-Dienste zugreifen möchten. 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 Endpunkt aus der Ressource, die Sie erstellen, um Ihre Anwendung mit dem Azure Document Intelligence-Dienst zu verbinden.

  1. Wählen Sie nach der Bereitstellung der Ressource Zu Ressource wechseln aus.
  2. Wählen Sie im linken Bereich Schlüssel und Endpunkt aus.
  3. Kopieren Sie einen der Schlüssel und den Endpunkt für die spätere Verwendung in diesem Artikel.

  

• Eine Dokumentdatei unter einer URL. Für dieses Projekt können Sie die in der folgenden Tabelle bereitgestellten Beispielformulare für jedes Feature verwenden:

  Merkmal	modelID	Dokument-URL
  Lesemodell	prebuilt-read	Beispiel-Broschüre
  Layoutmodell	vorgefertigtes Layout	Beispielbuchungsbestätigung
  W-2-Formularmodell	prebuilt-tax.us.w2	W-2-Beispielformular
  Rechnungsmodell	Vorgefertigte Rechnung	Beispielrechnung
  Belegmodell	prebuilt-receipt	Beispielbeleg
  Ausweisdokumentmodell	prebuilt-idDocument	Beispiel-ID-Dokument

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. Verwenden Sie für dieses Projekt Umgebungsvariablen, um Anmeldeinformationen zu speichern und darauf zuzugreifen.

Wichtig

Verwenden Sie API-Schlüssel mit Vorsicht. Fügen Sie den API-Schlüssel nicht direkt in Ihren Code ein, und machen Sie ihn nicht öffentlich zugänglich. Wenn Sie einen API-Schlüssel verwenden, speichern Sie ihn sicher in Azure Key Vault. Weitere Informationen zur sicheren Verwendung von API-Schlüsseln in Ihren Apps finden Sie unter API-Schlüssel mit Azure Key Vault.

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

Um die Umgebungsvariable für Den Document Intelligence-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 aus Ihrer Ressource im Azure-Portal.

Fenster

Bei Umgebungsvariablen in Windows wird die Groß-/Kleinschreibung nicht beachtet. Sie werden in der Regel in Großbuchstaben deklariert, wobei Wörter mit einem Unterstrich verknüpft sind. Führen Sie an einer 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 Die Umgebungsvariablen festgelegt haben. Die Werte bleiben bestehen, bis Sie sie erneut ändern.

4. Starten Sie alle ausgeführten Programme neu, die die Umgebungsvariable lesen. Wenn Sie beispielsweise Visual Studio oder Visual Studio Code als Editor verwenden, starten Sie den Code neu, bevor Sie den Beispielcode ausführen.

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
setx VARIABLE_NAME=	Löschen Sie die Umgebungsvariable, indem Sie den Wert auf eine leere Zeichenfolge festlegen.	setx DI_KEY=
setx VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer Umgebungsvariable.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariable an.	set DI_KEY
set	Alle Umgebungsvariablen anzeigen.	set

macOS

Umgebungsvariablen in macOS sind case-sensitive. Üblicherweise wird der Variablenname in Großbuchstaben deklariert.

Der export Befehl legt die Variable fest und exportiert sie in die globale Umgebung, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und dauert nur, bis Sie die Terminalsitzung schließen. Öffnen Sie Ihr Terminal, und geben Sie die folgenden Befehle ein:

1. Legen Sie die Schlüsselvariable fest:

   export key=<yourKey>
   

2. Festlegen der Endpunktvariable:

   export endpoint=<yourEndpoint>
   

Wenn Sie eine Umgebungsvariable dauerhaft festlegen möchten, platzieren Sie einen Exportbefehl in Ihrem Bash-Startskript ~/.bash_profile :

1. Verwenden Sie einen Text-Editor, um die Datei ~/.bash_profile zu öffnen, und fügen Sie den folgenden Befehl hinzu, um eine permanente Umgebungsvariable zu erstellen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Beispiel: export DI_KEY="<yourKey>"

2. Speichern Sie Ihre Änderungen in der bash_profile Datei.

3. Um die Änderungen wirksam zu machen, führen Sie den folgenden Befehl im Terminalfenster aus:

   source ~/.bash-profile
   

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
unset VARIABLE_NAME	Löschen sie eine Umgebungsvariable.	unset DI_KEY
export VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer temporären Umgebungsvariable.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariable an. Verwenden Sie den Befehl „echo“, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Alle Umgebungsvariablen anzeigen.	printenv

Linux

Bei Umgebungsvariablen in Linux wird die Groß-/Kleinschreibung beachtet. Üblicherweise wird der Variablenname in Großbuchstaben deklariert.

Der export Befehl legt die Variable fest und exportiert sie in die globale Umgebung, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und dauert nur, bis Sie die Terminalsitzung schließen:

1. Legen Sie die Schlüsselvariable fest:

   export DI_KEY=<yourKey>
   

2. Festlegen der Endpunktvariable:

   export DI_ENDPOINT=<yourEndpoint>
   

Wenn Sie eine Umgebungsvariable dauerhaft festlegen möchten, platzieren Sie einen Exportbefehl in Ihrem Bash-Startskript ~/.bashrc :

1. Verwenden Sie einen Text-Editor, um die Datei ~/.bashrc zu öffnen und den folgenden Befehl hinzuzufügen, um eine permanente Umgebungsvariable zu erstellen:

   export <VARIABLE>=<value>
   

   Beispiel: export DI_KEY=<yourKey>

2. Speichern Sie Ihre Änderungen in der BASHRC-Datei .

3. Um die Änderungen wirksam zu machen, führen Sie den folgenden Befehl im Terminalfenster aus:

   source ~/.bashrc
   

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
unset VARIABLE_NAME	Löschen sie eine Umgebungsvariable.	unset DI_KEY=
export VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer temporären Umgebungsvariable.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer Umgebungsvariable an. Verwenden Sie den Befehl „echo“, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Alle Umgebungsvariablen anzeigen.	printenv

Einrichten der Programmierumgebung

Erstellen Sie eine Node.js Express-Anwendung.

1. Erstellen und navigieren Sie in einem Konsolenfenster zu einem neuen Verzeichnis für Ihre App mit dem Namen doc-intel-app.

   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, den Namen des Einstiegspunkts beizubehalten index.js . Die Beschreibung, der Testbefehl, das GitHub-Repository, Schlüsselwörter, Autor und Lizenzinformationen sind optionale Attribute. Sie können sie für dieses Projekt überspringen.
   • Wählen Sie die EINGABETASTE aus, um die Vorschläge in Klammern zu akzeptieren.

   Nachdem Sie die Eingabeaufforderungen abgeschlossen haben, erstellt der Befehl eine package.json Datei in Ihrem Doc-intel-App-Verzeichnis .

4. Installieren Sie die ai-document-intelligence-Clientbibliothek und die azure/identity-npm-Pakete.

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

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

1. Erstellen Sie eine Datei mit dem Namen index.js im Anwendungsverzeichnis.

   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, und 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. Dazu erstellen Sie einen AzureKeyCredential mit Ihrem Schlüssel aus dem Azure-Portal und eine DocumentIntelligenceClient-Instanz mit dem AzureKeyCredential und Ihrem Document Intelligence-Endpunkt.

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

• Das vorgefertigte Lesemodell ist der Kern aller Dokumentintelligenzmodelle und kann Linien, Wörter, Speicherorte und Sprachen erkennen. Das Layout, das allgemeine Dokument, die Vorversion und die benutzerdefinierten Modelle verwenden das read Modell als Grundlage zum Extrahieren von Texten aus Dokumenten.
• Das vorgefertigte Layoutmodell extrahiert Text- und Textspeicherorte, Tabellen, Auswahlzeichen und Strukturinformationen aus Dokumenten und Bildern.
• Das Modell prebuilt-tax.us.w2 extrahiert Informationen aus US-amerikanischen IRS-Steuerformularen (Internal Revenue Service).
• Das vorgefertigte Rechnungsmodell extrahiert Informationen, die auf Steuerformularen des US Internal Revenue Service angegeben sind.
• Das vorkonfigurierte Belegmodell extrahiert wichtige Informationen aus gedruckten und handschriftlichen Verkaufsbestätigungen.
• Das vordefinierte idDocument-Modell extrahiert wichtige Informationen aus US-Führerscheinen; internationale Reisepass-Biografieseiten; US-Staatsausweisen; Sozialversicherungskarten; und Green Cards.

Verwenden Sie das Lesemodell

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);
});

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und zeigen Sie die read Modellausgabe an.

Layoutmodell verwenden

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);
});

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und zeigen Sie die allgemeine Dokumentmodellausgabe 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);
});

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und sehen Sie sich 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);
});

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und zeigen Sie die Rechnungsmodellausgabe 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 ID-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 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);
});

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und sehen Sie sich die Ausgabe des ID-Dokumentenmodells an.

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

Voraussetzungen

• Ein Azure-Abonnement – Kostenlos erstellen.

• Python 3.7 oder höher. Ihre Python-Installation sollte pip enthalten. Sie können überprüfen, ob pip installiert ist, indem Sie pip --version auf der Befehlszeile ausführen. Um pip zu installieren, holen Sie sich die neueste Version von Python.

• Die aktuelle Version von Visual Studio Code oder Ihrer bevorzugten IDE Weitere 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 Endpunkt aus der Ressource, die Sie erstellen, um Ihre Anwendung mit dem Azure Document Intelligence-Dienst zu verbinden.

  1. Wählen Sie nach der Bereitstellung der Ressource Zu Ressource wechseln aus.
  2. Wählen Sie im linken Bereich Schlüssel und Endpunkt aus.
  3. Kopieren Sie einen der Schlüssel und den Endpunkt für die spätere Verwendung in diesem Artikel.

  

• Eine Dokumentdatei unter einer URL. Für dieses Projekt können Sie die in der folgenden Tabelle bereitgestellten Beispielformulare für jedes Feature verwenden:

  Merkmal	modelID	document-url
  Lesemodell	prebuilt-read	Beispiel-Broschüre
  Layoutmodell	vorgefertigtes Layout	Beispielbuchungsbestätigung
  W-2-Formularmodell	prebuilt-tax.us.w2	W-2-Beispielformular
  Rechnungsmodell	Vorgefertigte Rechnung	Beispielrechnung
  Belegmodell	prebuilt-receipt	Beispielbeleg
  Ausweisdokumentmodell	Vorgefertigtes ID-Dokument	Beispiel-ID-Dokument

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. Verwenden Sie für dieses Projekt Umgebungsvariablen, um Anmeldeinformationen zu speichern und darauf zuzugreifen.

Wichtig

Verwenden Sie API-Schlüssel mit Vorsicht. Fügen Sie den API-Schlüssel nicht direkt in Ihren Code ein, und machen Sie ihn nicht öffentlich zugänglich. Wenn Sie einen API-Schlüssel verwenden, speichern Sie ihn sicher in Azure Key Vault. Weitere Informationen zur sicheren Verwendung von API-Schlüsseln in Ihren Apps finden Sie unter API-Schlüssel mit Azure Key Vault.

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

Um die Umgebungsvariable für Den Document Intelligence-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 aus Ihrer Ressource im Azure-Portal.

Fenster

Bei Umgebungsvariablen in Windows wird die Groß-/Kleinschreibung nicht beachtet. Sie werden in der Regel in Großbuchstaben deklariert, wobei Wörter mit einem Unterstrich verknüpft sind. Führen Sie an einer 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 Die Umgebungsvariablen festgelegt haben. Die Werte bleiben bestehen, bis Sie sie erneut ändern.

4. Starten Sie alle ausgeführten Programme neu, die die Umgebungsvariable lesen. Wenn Sie beispielsweise Visual Studio oder Visual Studio Code als Editor verwenden, starten Sie den Code neu, bevor Sie den Beispielcode ausführen.

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
setx VARIABLE_NAME=	Löschen Sie die Umgebungsvariable, indem Sie den Wert auf eine leere Zeichenfolge festlegen.	setx DI_KEY=
setx VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer Umgebungsvariable.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariable an.	set DI_KEY
set	Alle Umgebungsvariablen anzeigen.	set

macOS

Umgebungsvariablen in macOS sind case-sensitive. Üblicherweise wird der Variablenname in Großbuchstaben deklariert.

Der export Befehl legt die Variable fest und exportiert sie in die globale Umgebung, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und dauert nur, bis Sie die Terminalsitzung schließen. Öffnen Sie Ihr Terminal, und geben Sie die folgenden Befehle ein:

1. Legen Sie die Schlüsselvariable fest:

   export key=<yourKey>
   

2. Festlegen der Endpunktvariable:

   export endpoint=<yourEndpoint>
   

Wenn Sie eine Umgebungsvariable dauerhaft festlegen möchten, platzieren Sie einen Exportbefehl in Ihrem Bash-Startskript ~/.bash_profile :

1. Verwenden Sie einen Text-Editor, um die Datei ~/.bash_profile zu öffnen, und fügen Sie den folgenden Befehl hinzu, um eine permanente Umgebungsvariable zu erstellen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Beispiel: export DI_KEY="<yourKey>"

2. Speichern Sie Ihre Änderungen in der bash_profile Datei.

3. Um die Änderungen wirksam zu machen, führen Sie den folgenden Befehl im Terminalfenster aus:

   source ~/.bash-profile
   

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
unset VARIABLE_NAME	Löschen sie eine Umgebungsvariable.	unset DI_KEY
export VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer temporären Umgebungsvariable.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariable an. Verwenden Sie den Befehl „echo“, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Alle Umgebungsvariablen anzeigen.	printenv

Linux

Bei Umgebungsvariablen in Linux wird die Groß-/Kleinschreibung beachtet. Üblicherweise wird der Variablenname in Großbuchstaben deklariert.

Der export Befehl legt die Variable fest und exportiert sie in die globale Umgebung, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und dauert nur, bis Sie die Terminalsitzung schließen:

1. Legen Sie die Schlüsselvariable fest:

   export DI_KEY=<yourKey>
   

2. Festlegen der Endpunktvariable:

   export DI_ENDPOINT=<yourEndpoint>
   

Wenn Sie eine Umgebungsvariable dauerhaft festlegen möchten, platzieren Sie einen Exportbefehl in Ihrem Bash-Startskript ~/.bashrc :

1. Verwenden Sie einen Text-Editor, um die Datei ~/.bashrc zu öffnen und den folgenden Befehl hinzuzufügen, um eine permanente Umgebungsvariable zu erstellen:

   export <VARIABLE>=<value>
   

   Beispiel: export DI_KEY=<yourKey>

2. Speichern Sie Ihre Änderungen in der BASHRC-Datei .

3. Um die Änderungen wirksam zu machen, führen Sie den folgenden Befehl im Terminalfenster aus:

   source ~/.bashrc
   

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
unset VARIABLE_NAME	Löschen sie eine Umgebungsvariable.	unset DI_KEY=
export VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer temporären Umgebungsvariable.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer Umgebungsvariable an. Verwenden Sie den Befehl „echo“, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Alle Umgebungsvariablen anzeigen.	printenv

Einrichten der Programmierumgebung

Öffnen Sie ein Konsolenfenster in Ihrer lokalen Umgebung, und installieren Sie die Azure AI Document Intelligence-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. Dazu erstellen Sie einen AzureKeyCredential mit Ihrem Schlüssel aus dem Azure-Portal und eine DocumentIntelligenceClient-Instanz mit dem AzureKeyCredential und Ihrem Document Intelligence-Endpunkt.

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

2. Öffnen Sie die form_recognizer_quickstart.py Datei, und wählen Sie eines der folgenden Codebeispiele aus, und kopieren/einfügen Sie sie in Ihre Anwendung:

   • Das vorgefertigte Lesemodell ist der Kern aller Dokumentintelligenzmodelle und kann Linien, Wörter, Speicherorte und Sprachen erkennen. Das Layout, das allgemeine Dokument, die Vorversion und die benutzerdefinierten Modelle verwenden das read Modell als Grundlage zum Extrahieren von Texten aus Dokumenten.
   • Das vorgefertigte Layoutmodell extrahiert Text- und Textspeicherorte, Tabellen, Auswahlzeichen und Strukturinformationen aus Dokumenten und Bildern.
   • Das Modell prebuilt-tax.us.w2 extrahiert Informationen aus US-amerikanischen IRS-Steuerformularen (Internal Revenue Service).
   • Das vorkonfigurierte Rechnungsmodell extrahiert Schlüsselfelder und Positionen aus Verkaufsrechnungen in verschiedenen Formaten.
   • Das vorkonfigurierte Belegmodell extrahiert wichtige Informationen aus gedruckten und handschriftlichen Verkaufsbestätigungen.
   • Das vordefinierte idDocument-Modell extrahiert wichtige Informationen aus US-Führerscheinen; internationale Reisepass-Biografieseiten; US-Staatsausweisen; Sozialversicherungskarten; und Green Cards.

3. Führen Sie den Python-Code über die Eingabeaufforderung aus.

   python form_recognizer_quickstart.py
   

Verwenden Sie das Lesemodell

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

# 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()

Den vollständigen Code auf GitHub anzeigen.Weitere Beispiele

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und zeigen Sie die read Modellausgabe an.

Layoutmodell verwenden

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


# 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()

Den 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
from azure.ai.documentintelligence.models import AnalyzeDocumentRequest

# 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()

Den vollständigen Code auf GitHub anzeigen.Weitere Beispiele

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und sehen Sie sich 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
from azure.ai.documentintelligence.models import AnalyzeDocumentRequest

# 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()

Den vollständigen Code auf GitHub anzeigen.Weitere Beispiele

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und zeigen Sie die Rechnungsmodellausgabe 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
from azure.ai.documentintelligence.models import AnalyzeDocumentRequest

# 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()

Den 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 ID-Dokumentmodells

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

# 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()

Den vollständigen Code auf GitHub anzeigen.Weitere Beispiele

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, und sehen Sie sich die Ausgabe des ID-Dokumentenmodells an.

Hinweis

Dieses Projekt verwendet das Befehlszeilentool cURL, um REST-API-Aufrufe auszuführen.

| Dokument Intelligenz-REST-API | Unterstützte Azure SDKs

Voraussetzungen

• Ein Azure-Abonnement – Kostenlos erstellen.

• Das cURL-Befehlszeilentool ist installiert. Windows 10 und Windows 11 werden mit einer Kopie von cURL ausgeliefert. Geben Sie an einer Eingabeaufforderung den folgenden cURL-Befehl ein. Wenn die Hilfeoptionen angezeigt werden, wird cURL in Ihrer Windows-Umgebung installiert.

  curl -help
  

  Wenn cURL nicht installiert ist, können Sie es hier abrufen:

  • Fenster
  • 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 Endpunkt aus der Ressource, die Sie erstellen, um Ihre Anwendung mit dem Azure Document Intelligence-Dienst zu verbinden.

  1. Wählen Sie nach der Bereitstellung der Ressource Zu Ressource wechseln aus.
  2. Wählen Sie im linken Bereich Schlüssel und Endpunkt aus.
  3. Kopieren Sie einen der Schlüssel und den Endpunkt für die spätere 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. Verwenden Sie für dieses Projekt Umgebungsvariablen, um Anmeldeinformationen zu speichern und darauf zuzugreifen.

Wichtig

Verwenden Sie API-Schlüssel mit Vorsicht. Fügen Sie den API-Schlüssel nicht direkt in Ihren Code ein, und machen Sie ihn nicht öffentlich zugänglich. Wenn Sie einen API-Schlüssel verwenden, speichern Sie ihn sicher in Azure Key Vault. Weitere Informationen zur sicheren Verwendung von API-Schlüsseln in Ihren Apps finden Sie unter API-Schlüssel mit Azure Key Vault.

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

Um die Umgebungsvariable für Den Document Intelligence-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 aus Ihrer Ressource im Azure-Portal.

Fenster

Bei Umgebungsvariablen in Windows wird die Groß-/Kleinschreibung nicht beachtet. Sie werden in der Regel in Großbuchstaben deklariert, wobei Wörter mit einem Unterstrich verknüpft sind. Führen Sie an einer 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 Die Umgebungsvariablen festgelegt haben. Die Werte bleiben bestehen, bis Sie sie erneut ändern.

4. Starten Sie alle ausgeführten Programme neu, die die Umgebungsvariable lesen. Wenn Sie beispielsweise Visual Studio oder Visual Studio Code als Editor verwenden, starten Sie den Code neu, bevor Sie den Beispielcode ausführen.

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
setx VARIABLE_NAME=	Löschen Sie die Umgebungsvariable, indem Sie den Wert auf eine leere Zeichenfolge festlegen.	setx DI_KEY=
setx VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer Umgebungsvariable.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariable an.	set DI_KEY
set	Alle Umgebungsvariablen anzeigen.	set

macOS

Umgebungsvariablen in macOS sind case-sensitive. Üblicherweise wird der Variablenname in Großbuchstaben deklariert.

Der export Befehl legt die Variable fest und exportiert sie in die globale Umgebung, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und dauert nur, bis Sie die Terminalsitzung schließen. Öffnen Sie Ihr Terminal, und geben Sie die folgenden Befehle ein:

1. Legen Sie die Schlüsselvariable fest:

   export key=<yourKey>
   

2. Festlegen der Endpunktvariable:

   export endpoint=<yourEndpoint>
   

Wenn Sie eine Umgebungsvariable dauerhaft festlegen möchten, platzieren Sie einen Exportbefehl in Ihrem Bash-Startskript ~/.bash_profile :

1. Verwenden Sie einen Text-Editor, um die Datei ~/.bash_profile zu öffnen, und fügen Sie den folgenden Befehl hinzu, um eine permanente Umgebungsvariable zu erstellen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Beispiel: export DI_KEY="<yourKey>"

2. Speichern Sie Ihre Änderungen in der bash_profile Datei.

3. Um die Änderungen wirksam zu machen, führen Sie den folgenden Befehl im Terminalfenster aus:

   source ~/.bash-profile
   

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
unset VARIABLE_NAME	Löschen sie eine Umgebungsvariable.	unset DI_KEY
export VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer temporären Umgebungsvariable.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer bestimmten Umgebungsvariable an. Verwenden Sie den Befehl „echo“, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Alle Umgebungsvariablen anzeigen.	printenv

Linux

Bei Umgebungsvariablen in Linux wird die Groß-/Kleinschreibung beachtet. Üblicherweise wird der Variablenname in Großbuchstaben deklariert.

Der export Befehl legt die Variable fest und exportiert sie in die globale Umgebung, die für andere Prozesse verfügbar ist. Der Wert ist jedoch temporär und dauert nur, bis Sie die Terminalsitzung schließen:

1. Legen Sie die Schlüsselvariable fest:

   export DI_KEY=<yourKey>
   

2. Festlegen der Endpunktvariable:

   export DI_ENDPOINT=<yourEndpoint>
   

Wenn Sie eine Umgebungsvariable dauerhaft festlegen möchten, platzieren Sie einen Exportbefehl in Ihrem Bash-Startskript ~/.bashrc :

1. Verwenden Sie einen Text-Editor, um die Datei ~/.bashrc zu öffnen und den folgenden Befehl hinzuzufügen, um eine permanente Umgebungsvariable zu erstellen:

   export <VARIABLE>=<value>
   

   Beispiel: export DI_KEY=<yourKey>

2. Speichern Sie Ihre Änderungen in der BASHRC-Datei .

3. Um die Änderungen wirksam zu machen, führen Sie den folgenden Befehl im Terminalfenster aus:

   source ~/.bashrc
   

Hier sind einige hilfreichere Befehle für die Verwendung mit Umgebungsvariablen:

Befehl	Maßnahme	Beispiel
unset VARIABLE_NAME	Löschen sie eine Umgebungsvariable.	unset DI_KEY=
export VARIABLE_NAME=value	Festlegen oder Ändern des Werts einer temporären Umgebungsvariable.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Zeigt den Wert einer Umgebungsvariable an. Verwenden Sie den Befehl „echo“, um der Variablen $ voranzustellen.	printenv DI_KEY echo $DI_KEY
printenv	Alle Umgebungsvariablen anzeigen.	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	Modell-ID	Beschreibung	document-url
Lesemodell	prebuilt-read	Beispiel-Broschüre	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/read.png
Layoutmodell	vorgefertigtes Layout	Beispielbuchungsbestätigung	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	Vorgefertigte 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	Beispiel-ID-Dokument	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 Bash-Fenster, und führen Sie den folgenden cURL-Befehl aus. Zu den Befehlen gehören die Endpunkt- und Schlüsselumgebungsvariablen, die zuvor im Abschnitt "Umgebungsvariablen" erstellt wurden. Ersetzen Sie diese Variablen, wenn sich die Variablennamen unterscheiden. Denken Sie daran, die <Parameter "modelId> " und <"document-url> " zu ersetzen.

curl -i -X POST "POST {endpoint}/documentintelligence/documentModels/{modelId}:analyze?_overload=analyzeDocument&api-version=2024-11-30" -H "Content-Type: application/json" -H "Ocp-Apim-Subscription-Key: {DI_KEY}" --data-ascii "{'urlSource': '<document-url>'}"

Verwenden Sie zum Aktivieren von Add-On-Funktionen den features Abfrageparameter in der POST-Anforderung. Es stehen vier Add-On-Funktionen mit den 2023-07-31 (GA) und späteren Versionen zur Verfügung: ocr.highResolution, ocr.formula, ocr.font und queryFields.premium. Weitere Informationen zu den einzelnen Funktionen finden Sie unter "Benutzerdefinierte Modelle".

Sie können nur die HighResolution-, Formel- und Schriftartfunktionen für das Lese- und Layoutmodell und die QueryFields-Funktion für das Allgemeine Dokumentmodell aufrufen. Das folgende Beispiel zeigt, wie Sie die HighResolution-, Formel- und Schriftartfunktionen für das Layoutmodell aufrufen.

curl -i -X POST "{endpoint}/documentintelligence/documentModels/prebuilt-layout:analyze?features=ocr.highResolution,ocr.formula,ocr.font?api-version=2024-11-30" -H "Content-Type: application/json" -H "Ocp-Apim-Subscription-Key: {DI_KEY}" --data-ascii "{'urlSource': '<document-url>'}"

POST-Antwort

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

Analyseergebnis abrufen (GET-Anforderung)

Rufen Sie nach dem Aufrufen der Analyze document API die Get analyze Ergebnis-API auf, um den Status des Vorgangs und die extrahierten Daten abzurufen.

Das Befehlszeilentool cURL formatiert keine API-Antworten, die JSON-Inhalte enthalten, wodurch der Inhalt schwer zu lesen ist. Um die JSON-Antwort zu formatieren, schließen Sie das Pipezeichen gefolgt von einem JSON-Formatierungstool mit Ihrer GET-Anforderung ein.

Fenster

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

1. Öffnen Sie ein Bash-Fenster, und installieren Sie das JSON-Tool mithilfe des folgenden Befehls:

   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=2024-11-30"-H "Ocp-Apim-Subscription-Key: <subscription key>" | json
   

macOS

Das json_pp Befehlstool wird mit macOS ausgeliefert 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/{modelId}/analyzeResults/{resultId}?api-version=2024-11-30"-H "Ocp-Apim-Subscription-Key: <subscription key>" | json_pp
  

Linux

Das Befehlszeilentool json_pp ist in den meisten Linux-Distributionen vorinstalliert. Wenn sie nicht enthalten ist, können Sie ihn mit dem Paket-Manager Ihrer Verteilung installieren.

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

  curl -i -X GET "{endpoint}/documentintelligence/documentModels/{modelId}/analyzeResults/{resultId}?api-version=2024-11-30"-H "Ocp-Apim-Subscription-Key: <subscription key>" | json_pp
  

GET-Anforderung

Bevor Sie den folgenden Befehl ausführen, nehmen Sie diese Änderungen vor:

• Ersetzen Sie <die POST-Antwort> durch den Operation-location Header aus der POST-Antwort.
• Ersetzen Sie <DI_KEY durch die Variable für Die Umgebungsvariable, wenn sie sich vom Namen im Code unterscheidet.
• Ersetzen Sie *<json-tool> durch Ihr JSON-Formatierungstool.

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

Antwort untersuchen

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.

Besuchen Sie das Azure-Beispiel-Repository auf GitHub, um die GET Antwort für die einzelnen Document Intelligence-Modelle anzuzeigen:

Modell	Ausgabe-URL
Lesemodell	Modellausgabe lesen
Layoutmodell	Ausgabe des Layoutmodells
W-2 Steuermodell	Ausgabe des W-2-Steuermodells
Rechnungsmodell	Rechnungsmodellausgabe
Belegmodell	Ausgabe des Belegmodells
Ausweisdokumentmodell	Ausgabe des Ausweisdokumentmodells

Nächste Schritte

Glückwunsch! Sie haben gelernt, dokumentintelligenzmodelle zu verwenden, um verschiedene Dokumente auf unterschiedliche Weise zu analysieren. Testen Sie als Nächstes Dokument Intelligenz Studio, und lesen Sie die Referenzdokumentation.

Testen von Dokument Intelligenz StudioErkunden der Dokument Intelligenz-REST-API