A dokumentumintelligencia használatának első lépései

Fontos

• Az Azure Cognitive Services Form Recognizer mostantól Azure AI-dokumentumintelligencia.
• Egyes platformok továbbra is az átnevezési frissítésre várnak.
• A Dokumentációnkban a Form Recognizer vagy a Document Intelligence minden említése ugyanarra az Azure-szolgáltatásra vonatkozik.

Ez a tartalom a következőre vonatkozik: v3.1 (GA) Korábbi verziók: v3.0 v2.1

• Ismerkedés az Azure Form Recognizer legújabb GA-verziójával (2023-07-31).

• Az Azure AI Document Intelligence /Form Recognizer egy felhőalapú Azure AI-szolgáltatás, amely gépi tanulással kinyeri a kulcs-érték párokat, szövegeket, táblákat és kulcsadatokat a dokumentumokból.

• A dokumentumfeldolgozó modelleket egyszerűen integrálhatja munkafolyamataiba és alkalmazásaiba egy programozási nyelvű SDK használatával vagy a REST API meghívásával.

• Ebben a rövid útmutatóban azt javasoljuk, hogy a technológia elsajátítása során használja az ingyenes szolgáltatást. Ne feledje, hogy az ingyenes oldalak száma havonta legfeljebb 500 lehet.

Ha többet szeretne megtudni az API-funkciókról és a fejlesztési lehetőségekről, látogasson el az Áttekintés oldalra.

Ügyfélkódtár SDK referencia | API-referenciacsomagja | (NuGet) | Minták | támogatott REST API-verzió |

Ebben a rövid útmutatóban az alábbi funkciókkal elemezheti és kinyerheti az adatokat és értékeket űrlapokból és dokumentumokból:

• Elrendezési modell – Táblázatok, vonalak, szavak és kijelölési jelek, például választógombok és jelölőnégyzetek elemzése és kinyerése a dokumentumokban, modell betanítása nélkül.

• Előre összeállított modell – Általános mezők elemzése és kinyerése adott dokumentumtípusokból előre összeállított modell használatával.

Előfeltételek

• Azure-előfizetés – Hozzon létre egyet ingyenesen.

• A Visual Studio IDE aktuális verziója.

• Azure AI-szolgáltatások vagy Űrlap-felismerő erőforrás. Ha már rendelkezik Azure-előfizetéssel, hozzon létre egy egyszolgáltatásos vagy többszolgáltatásos Azure AI-erőforrást az Azure Portalon a kulcs és a végpont lekéréséhez.

• Az ingyenes tarifacsomag (F0) használatával kipróbálhatja a szolgáltatást, és később frissíthet egy fizetős szintre az éles környezetben.

Tipp.

Azure AI-szolgáltatási erőforrás létrehozása, ha több Azure AI-szolgáltatást szeretne elérni egyetlen végpont/kulcs alatt. Csak űrlap-felismerői hozzáférés esetén hozzon létre egy Űrlap-felismerő erőforrást. Vegye figyelembe, hogy a Microsoft Entra-hitelesítés használatához egy egyszolgáltatásos erőforrásra lesz szüksége.

• Az erőforrás üzembe helyezése után válassza az Ugrás az erőforrásra lehetőséget. Az alkalmazás form Recognizer API-hoz való csatlakoztatásához szüksége van a létrehozott erőforrás kulcsára és végpontjára. A rövid útmutató későbbi részében beillesztheti a kulcsot és a végpontot a kódba:

  

Beállítás

1. Indítsa el a Visual Studiót.

2. A kezdőlapon válassza az Új projekt létrehozása lehetőséget.

   

3. Az Új projekt létrehozása lapon adja meg a konzolt a keresőmezőbe. Válassza ki a konzolalkalmazás-sablont, majd válassza a Tovább gombot.

   

4. Az új projekt konfigurálása párbeszédpanelen írja be form_recognizer_quickstart a Projekt neve mezőbe. Ezután válassza a Tovább gombot.

5. A További információ párbeszédpanelen válassza a .NET 8.0 (Hosszú távú támogatás) lehetőséget, majd válassza a Létrehozás lehetőséget.

   

Az ügyfélkódtár telepítése a NuGettel

1. Kattintson a jobb gombbal a form_recognizer_quickstart projektre, és válassza a NuGet-csomagok kezelése... lehetőséget.

   

2. Válassza a Tallózás lapot, és írja be az Azure.AI.FormRecognizer parancsot. Válassza ki a 4.1.0-s verziót a legördülő menüből

   

Az alkalmazás összeállítása

A Form Recognizer szolgáltatás használatához létre kell hoznia egy osztálypéldányt DocumentAnalysisClient . Ehhez létre kell hoznia egy AzureKeyCredential key példányt az Azure Portalról, valamint egy példányt DocumentAnalysisClient a AzureKeyCredential Form Recognizerrel endpoint.

Feljegyzés

• A .NET 6-tól kezdve a console sablont használó új projektek új programstílust hoznak létre, amely eltér a korábbi verzióktól.
• Az új kimenet a legutóbbi C#-funkciókat használja, amelyek leegyszerűsítik az írandó kódot.
• Az újabb verzió használatakor csak a metódus törzsét Main kell megírnia. Nem kell felső szintű utasításokat, globális irányelveket vagy implicit irányelveket használnia.
• További információ: Új C#-sablonok legfelső szintű utasítások létrehozása.

1. Nyissa meg a Program.cs fájlt.

2. Törölje a már meglévő kódot, beleértve a sort Console.Writeline("Hello World!")is, és válassza ki az alábbi kódminták egyikét az alkalmazás Program.cs fájljába való másoláshoz és beillesztéshez:

   • Elrendezési modell

   • Előre összeállított modell

Fontos

Ne felejtse el eltávolítani a kulcsot a kódból, amikor elkészült, és soha ne tegye közzé nyilvánosan. Éles környezetben biztonságos módon tárolhatja és érheti el a hitelesítő adatait, például az Azure Key Vaultot. További információ: Azure AI-szolgáltatások biztonsága.

Elrendezési modell

Szöveg, kijelölési jelek, szövegstílusok, táblázatstruktúrák és határolórégió koordinátáinak kinyerése dokumentumokból.

• Ebben a példában egy URI-ból származó dokumentumfájlra lesz szüksége. Ehhez a rövid útmutatóhoz használhatja a mintadokumentumunkat.
• Hozzáadtuk a fájl URI-értékét a Uri fileUri szkript tetején található változóhoz.
• Ha ki szeretné nyerni az elrendezést egy adott fájlból egy URI-n, használja a StartAnalyzeDocumentFromUri metódust, és adja át prebuilt-layout a modellazonosítót. A visszaadott érték egy AnalyzeResult olyan objektum, amely az elküldött dokumentumból származó adatokat tartalmazza.

Adja hozzá a következő kódmintát a Program.cs fájlhoz. Győződjön meg arról, hogy frissíti a kulcs- és végpontváltozókat az Azure Portal Form Recognizer-példány értékeivel:

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

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

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

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

AnalyzeResult result = operation.Value;

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

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

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

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

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

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

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

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

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

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

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

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

Az alkalmazás futtatása

Miután hozzáadott egy kódmintát az alkalmazáshoz, válassza a zöld Start gombot a formRecognizer_quickstart mellett a program létrehozásához és futtatásához, vagy nyomja le az F5 billentyűt.

Elrendezési modell kimenete

Íme egy kódrészlet a várt kimenetről:

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

A teljes kimenet megtekintéséhez látogasson el az Azure-minták adattárába a GitHubon az elrendezési modell kimenetének megtekintéséhez.

Előre összeállított modell

Egy előre összeállított modell használatával elemezheti és kinyerheti a gyakori mezőket adott dokumentumtípusokból. Ebben a példában egy számlát elemezünk az előre összeállított számlamodell használatával.

Tipp.

Nem korlátozódik a számlákra – számos előre összeállított modell közül választhat, amelyek mindegyike saját támogatott mezőkkel rendelkezik. A művelethez analyze használandó modell az elemezni kívánt dokumentum típusától függ. Lásd: modelladatok kinyerése.

• Számla elemzése az előre összeállított számlamodell használatával. Ehhez a rövid útmutatóhoz használhatja a számlaminta-dokumentumunkat.
• Hozzáadtuk a fájl URI-értékét a Uri invoiceUri Program.cs fájl tetején lévő változóhoz.
• Ha egy adott fájlt egy URI-n szeretne elemezni, használja a StartAnalyzeDocumentFromUri metódust, és adja át prebuilt-invoice a modellazonosítót. A visszaadott érték egy AnalyzeResult olyan objektum, amely az elküldött dokumentumból származó adatokat tartalmazza.
• Az egyszerűség kedvéért a szolgáltatás által visszaadott kulcs-érték párok nem jelennek meg itt. A támogatott mezők és a kapcsolódó típusok listáját a Számla koncepció oldalán tekintheti meg.

Adja hozzá a következő kódmintát a Program.cs fájlhoz. Győződjön meg arról, hogy frissíti a kulcs- és végpontváltozókat az Azure Portal Form Recognizer-példány értékeivel:

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

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

//sample invoice document

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

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

AnalyzeResult result = operation.Value;

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

    AnalyzedDocument document = result.Documents[i];

    if (document.Fields.TryGetValue("VendorName", out DocumentField vendorNameField))
    {
        if (vendorNameField.FieldType == DocumentFieldType.String)
        {
            string vendorName = vendorNameField.Value.AsString();
            Console.WriteLine($"Vendor Name: '{vendorName}', with confidence {vendorNameField.Confidence}");
        }
    }

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

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

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

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

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

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

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

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

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

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

Az alkalmazás futtatása

Miután hozzáadott egy kódmintát az alkalmazáshoz, válassza a zöld Start gombot a formRecognizer_quickstart mellett a program létrehozásához és futtatásához, vagy nyomja le az F5 billentyűt.

Előre összeállított modell kimenete

Íme egy kódrészlet a várt kimenetről:

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

A teljes kimenet megtekintéséhez látogasson el a GitHub Azure-mintaadattárába az előre összeállított számlamodell kimenetének megtekintéséhez.

Ügyfélkódtár SDK-referencia | REST API-referenciacsomag | (Maven) | Minták| támogatott REST API-verzió |

Ebben a rövid útmutatóban az alábbi funkciókkal elemezheti és kinyerheti az adatokat és értékeket űrlapokból és dokumentumokból:

• Elrendezés – Táblázatok, vonalak, szavak és kijelölési jelek, például választógombok és jelölőnégyzetek elemzése és kinyerése a dokumentumokban, modell betanítása nélkül.

• Előre összeállított számla – Általános mezők elemzése és kinyerése adott dokumentumtípusokból egy előre betanított modell használatával.

Előfeltételek

• Azure-előfizetés – Hozzon létre egyet ingyenesen.

• A Visual Studio Code legújabb verziója vagy az ön által előnyben részesített IDE. Lásd a Java-t a Visual Studio Code-ban.

  Tipp.

  • A Visual Studio Code a Java kódolási csomagját kínálja Windowshoz és macOS-hez. A kódolási csomag a VS Code, a Java Fejlesztői Készlet (JDK) és a Microsoft által javasolt bővítmények gyűjteménye. A kódolási csomag egy meglévő fejlesztési környezet javításához is használható.
  • Ha a VS Code-ot és a Java kódolási csomagját használja, telepítse a Gradle for Java bővítményt.

• Ha nem a Visual Studio Code-ot használja, győződjön meg arról, hogy telepítve van a következő a fejlesztői környezetben:

  • A Java Development Kit (JDK) 8-es vagy újabb verziója. További információ: Microsoft Build of OpenJDK.

  • Gradle, 6.8-es vagy újabb verzió.

• Azure AI-szolgáltatások vagy Dokumentumintelligencia-erőforrás. Ha már rendelkezik Azure-előfizetéssel, hozzon létre egy egy vagy többszolgáltatásos dokumentumintelligencia-erőforrást az Azure Portalon a kulcs és a végpont lekéréséhez. Az ingyenes tarifacsomag (F0) használatával kipróbálhatja a szolgáltatást, és később frissíthet egy fizetős szintre az éles környezetben.

  Tipp.

  Azure AI-szolgáltatási erőforrás létrehozása, ha több Azure AI-szolgáltatást szeretne elérni egyetlen végpont/kulcs alatt. Csak dokumentumintelligencia-hozzáféréshez hozzon létre egy dokumentumintelligencia-erőforrást. Vegye figyelembe, hogy a Microsoft Entra-hitelesítés használatához egy egyszolgáltatásos erőforrásra lesz szüksége.

• Az erőforrás üzembe helyezése után válassza az Ugrás az erőforrásra lehetőséget. Az alkalmazás a Document Intelligence API-hoz való csatlakoztatásához szüksége van a létrehozott erőforrás kulcsára és végpontjára. Később illessze be a kulcsot és a végpontot a kódba:

  

Beállítás

Új Gradle-projekt létrehozása

1. A konzolablakban (például parancsmag, PowerShell vagy Bash) hozzon létre egy új könyvtárat az alkalmazáshoz, az úgynevezett form-recognize-apphoz, és navigáljon hozzá.

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

   mkdir form-recognize-app; cd form-recognize-app
   

2. Futtassa a gradle init parancsot a munkakönyvtárból. Ez a parancs alapvető buildfájlokat hoz létre a Gradle számára, beleértve a build.gradle.kts fájlt is, amelyet futásidőben használnak az alkalmazás létrehozásához és konfigurálásához.

   gradle init --type basic
   

3. Amikor a rendszer kéri, hogy válasszon egy DSL-t, válassza a Kotlin lehetőséget.

4. Fogadja el az alapértelmezett projektnevet (form-recognize-app) a Return vagy az Enter billentyűkombinációval.

Telepítse az ügyfélkódtárat

Ez a rövid útmutató a Gradle függőségkezelőt használja. A Maven Central-adattárban megtalálhatja a többi függőségkezelő ügyfélkódtárát és információit.

Nyissa meg a projekt build.gradle.kts fájlját az IDE-ben. A következő kódot fizetve adja meg az ügyfélkódtárat utasításként implementation , valamint a szükséges beépülő modulokat és beállításokat.

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

   }

Java-alkalmazás létrehozása

A Dokumentumintelligencia szolgáltatás használatához létre kell hoznia az osztály egy példányát DocumentAnalysisClient . Ehhez létre kell hoznia egy példányt AzureKeyCredential key az Azure Portalról, valamint egy DocumentAnalysisClient példányt a dokumentumintelligencia és a AzureKeyCredential dokumentumintelligencia használatával endpoint.

1. A doc-intel-app könyvtárban futtassa a következő parancsot:

   mkdir -p src/main/java
   

   A következő könyvtárstruktúrát hozza létre:

   

1. Lépjen a java könyvtárra, és hozzon létre egy fájlt.FormRecognizer.java

   Tipp.

   • Új fájlt a PowerShell használatával hozhat létre.
   • Nyisson meg egy PowerShell-ablakot a projektkönyvtárban a Shift billentyűt lenyomva tartva kattintson a jobb gombbal a mappára.
   • Írja be a következő parancsot : New-Item FormRecognizer.java.

2. Nyissa meg a(z) FormRecognizer.java fájlt. Másolja és illessze be az alábbi kódminták egyikét az alkalmazásba:

   • Elrendezés

   • Előre összeállított számla

Fontos

Ne felejtse el eltávolítani a kulcsot a kódból, amikor elkészült, és soha ne tegye közzé nyilvánosan. Éles környezetben biztonságos módon tárolhatja és érheti el a hitelesítő adatait, például az Azure Key Vaultot. További információ: Azure AI-szolgáltatások biztonsága.

Elrendezési modell

Szöveg, kijelölési jelek, szövegstílusok, táblázatstruktúrák és határolórégió koordinátáinak kinyerése dokumentumokból.

• Ebben a példában egy URI-fájlra lesz szüksége. Ehhez a rövid útmutatóhoz használhatja a mintadokumentumunkat.
• Ha egy adott fájlt egy URI-n szeretne elemezni, használja a beginAnalyzeDocumentFromUrl metódust, és adja át prebuilt-layout a modellazonosítót. A visszaadott érték egy AnalyzeResult olyan objektum, amely adatokat tartalmaz az elküldött dokumentumról.
• Hozzáadtuk a fájl URI-értékét a documentUrl fő metódus változóhoz.

Adja hozzá a következő kódmintát a FormRecognizer.java fájlhoz. Győződjön meg arról, hogy frissíti a kulcs- és végpontváltozókat az Azure Portal Document Intelligence-példány értékeivel:

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

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

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

public class FormRecognizer {

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

  public static void main(String[] args) {

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

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

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

    AnalyzeResult analyzeLayoutResult = analyzeLayoutResultPoller.getFinalResult();

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

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

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

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

    // tables
    List < DocumentTable > tables = analyzeLayoutResult.getTables();
    for (int i = 0; i < tables.size(); i++) {
      DocumentTable documentTable = tables.get(i);
      System.out.printf("Table %d has %d rows and %d columns.%n", i, documentTable.getRowCount(),
        documentTable.getColumnCount());
      documentTable.getCells().forEach(documentTableCell -> {
        System.out.printf("Cell '%s', has row index %d and column index %d.%n", documentTableCell.getContent(),
          documentTableCell.getRowIndex(), documentTableCell.getColumnIndex());
      });
      System.out.println();
    }
  }
  // Utility function to get the bounding polygon coordinates
  private static String getBoundingCoordinates(List < Point > boundingPolygon) {
    return boundingPolygon.stream().map(point -> String.format("[%.2f, %.2f]", point.getX(),
      point.getY())).collect(Collectors.joining(", "));
  }
}

Az alkalmazás létrehozása és futtatása

Miután hozzáadott egy kódmintát az alkalmazáshoz, lépjen vissza a fő projektkönyvtárhoz , a form-recognize-apphoz.

1. Az alkalmazás létrehozása a build következő paranccsal:

   gradle build
   

2. Futtassa az alkalmazást a run következő paranccsal:

   gradle run
   

Elrendezési modell kimenete

Íme egy kódrészlet a várt kimenetről:

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

A teljes kimenet megtekintéséhez látogasson el az Azure-minták adattárába a GitHubon az elrendezési modell kimenetének megtekintéséhez.

Előre összeállított modell

Egy előre összeállított modell használatával elemezheti és kinyerheti a gyakori mezőket adott dokumentumtípusokból. Ebben a példában egy számlát elemezünk az előre összeállított számlamodell használatával.

Tipp.

Nem korlátozódik a számlákra – számos előre összeállított modell közül választhat, amelyek mindegyike saját támogatott mezőkkel rendelkezik. A művelethez analyze használandó modell az elemezni kívánt dokumentum típusától függ. Lásd: modelladatok kinyerése.

• Számla elemzése az előre összeállított számlamodell használatával. Ehhez a rövid útmutatóhoz használhatja a számlaminta-dokumentumunkat.
• Hozzáadtuk a fájl URL-címét a invoiceUrl fájl tetején lévő változóhoz.
• Ha egy adott fájlt egy URI-n szeretne elemezni, használja a beginAnalyzeDocuments metódust, és adja át PrebuiltModels.Invoice a modellazonosítót. A visszaadott érték egy result olyan objektum, amely adatokat tartalmaz az elküldött dokumentumról.
• Az egyszerűség kedvéért a szolgáltatás által visszaadott kulcs-érték párok nem jelennek meg itt. A támogatott mezők és a kapcsolódó típusok listáját a Számla koncepció oldalán tekintheti meg.

Adja hozzá a következő kódmintát a FormRecognizer.java fájlhoz. Győződjön meg arról, hogy frissíti a kulcs- és végpontváltozókat az Azure Portal Document Intelligence-példány értékeivel:

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

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

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

public class FormRecognizer {

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

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

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

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

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

    AnalyzeResult analyzeInvoiceResult = analyzeInvoicePoller.getFinalResult();

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

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

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

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

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

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

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

      DocumentField invoiceItemsField = invoiceFields.get("Items");
      if (invoiceItemsField != null) {
        System.out.printf("Invoice Items: %n");
        if (DocumentFieldType.LIST == invoiceItemsField.getType()) {
          List < DocumentField > invoiceItems = invoiceItemsField.getValueAsList();
          invoiceItems.stream()
            .filter(invoiceItem -> DocumentFieldType.MAP == invoiceItem.getType())
            .map(documentField -> documentField.getValueAsMap())
            .forEach(documentFieldMap -> documentFieldMap.forEach((key, documentField) -> {

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

              if ("Description".equals(key)) {
                if (DocumentFieldType.STRING == documentField.getType()) {
                  String name = documentField.getValueAsString();
                  System.out.printf("Description: %s, confidence: %.2fs%n",
                    name, documentField.getConfidence());
                }
              }
              if ("Quantity".equals(key)) {
                if (DocumentFieldType.DOUBLE == documentField.getType()) {
                  Double quantity = documentField.getValueAsDouble();
                  System.out.printf("Quantity: %f, confidence: %.2f%n",
                    quantity, documentField.getConfidence());
                }
              }
              if ("UnitPrice".equals(key)) {
                if (DocumentFieldType.DOUBLE == documentField.getType()) {
                  Double unitPrice = documentField.getValueAsDouble();
                  System.out.printf("Unit Price: %f, confidence: %.2f%n",
                    unitPrice, documentField.getConfidence());
                }
              }
              if ("ProductCode".equals(key)) {
                if (DocumentFieldType.DOUBLE == documentField.getType()) {
                  Double productCode = documentField.getValueAsDouble();
                  System.out.printf("Product Code: %f, confidence: %.2f%n",
                    productCode, documentField.getConfidence());
                }
              }
            }));
        }
      }
    }
  }
}

Az alkalmazás létrehozása és futtatása

Miután hozzáadott egy kódmintát az alkalmazáshoz, lépjen vissza a fő projektkönyvtárhoz – a doc-intel-apphoz.

1. Az alkalmazás létrehozása a build következő paranccsal:

   gradle build
   

2. Futtassa az alkalmazást a run következő paranccsal:

   gradle run
   

Előre összeállított modell kimenete

Íme egy kódrészlet a várt kimenetről:

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

A teljes kimenet megtekintéséhez látogasson el a GitHub Azure-mintaadattárába az előre összeállított számlamodell kimenetének megtekintéséhez.

Ügyfélkódtár SDK-referencia | REST API-referenciacsomag | (npm) | Minták |támogatott REST API-verzió |

Ebben a rövid útmutatóban az alábbi funkciókkal elemezheti és kinyerheti az adatokat és értékeket űrlapokból és dokumentumokból:

• Elrendezés – Táblázatok, vonalak, szavak és kijelölési jelek, például választógombok és jelölőnégyzetek elemzése és kinyerése a dokumentumokban, modell betanítása nélkül.

• Előre összeállított számla – Általános mezők elemzése és kinyerése adott dokumentumtípusokból egy előre betanított számlamodell használatával.

Előfeltételek

• Azure-előfizetés – Hozzon létre egyet ingyenesen.

• A Visual Studio Code legújabb verziója vagy az ön által előnyben részesített IDE. További információ: Node.js a Visual Studio Code-ban.

• A Node.js legújabb LTS verziója.

• Azure AI-szolgáltatások vagy Dokumentumintelligencia-erőforrás. Ha már rendelkezik Azure-előfizetéssel, hozzon létre egy egy vagy többszolgáltatásos dokumentumintelligencia-erőforrást az Azure Portalon a kulcs és a végpont lekéréséhez. Az ingyenes tarifacsomag (F0) használatával kipróbálhatja a szolgáltatást, és később frissíthet egy fizetős szintre az éles környezetben.

  Tipp.

  Azure AI-szolgáltatási erőforrás létrehozása, ha több Azure AI-szolgáltatást szeretne elérni egyetlen végpont/kulcs alatt. Csak dokumentumintelligencia-hozzáféréshez hozzon létre egy dokumentumintelligencia-erőforrást. Vegye figyelembe, hogy a Microsoft Entra-hitelesítés használatához egy egyszolgáltatásos erőforrásra lesz szüksége.

• Az erőforrás üzembe helyezése után válassza az Ugrás az erőforrásra lehetőséget. Az alkalmazás a Document Intelligence API-hoz való csatlakoztatásához szüksége van a létrehozott erőforrás kulcsára és végpontjára. A rövid útmutató későbbi részében beillesztheti a kulcsot és a végpontot a kódba:

  

Beállítás

1. Új Node.js Express-alkalmazás létrehozása: Egy konzolablakban (például parancsmag, PowerShell vagy Bash) hozzon létre egy új könyvtárat, és keresse meg az alkalmazás nevét doc-intel-app.

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

2. Futtassa a npm init parancsot az alkalmazás inicializálásához és a projekt létrehozásához.

   npm init
   

3. Adja meg a projekt attribútumait a terminálban megjelenő parancssorok használatával.

   • A legfontosabb attribútumok a név, a verziószám és a belépési pont.
   • Javasoljuk, hogy tartsa meg index.js a belépési pont nevét. A leírás, a tesztparancs, a GitHub-adattár, a kulcsszavak, a szerző és a licencadatok opcionális attribútumok– ezek kihagyhatók ehhez a projekthez.
   • Fogadja el a javaslatokat zárójelben a Return vagy az Enter billentyűkombinációval.
   • A kérések elvégzése után létrejön egy package.json fájl a doc-intel-app könyvtárban.

4. Telepítse az ügyfélkódtárat és azure/identity az ai-form-recognizer npm-csomagokat:

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

   • Az alkalmazás fájlja package.json frissül a függőségekkel.

5. Hozzon létre egy fájlt index.js az alkalmazáskönyvtárban.

   Tipp.

   • Új fájlt a PowerShell használatával hozhat létre.
   • Nyisson meg egy PowerShell-ablakot a projektkönyvtárban a Shift billentyűt lenyomva tartva kattintson a jobb gombbal a mappára.
   • Írja be a következő parancsot : New-Item index.js.

Az alkalmazás összeállítása

A Dokumentumintelligencia szolgáltatás használatához létre kell hoznia az osztály egy példányát DocumentAnalysisClient . Ehhez létre kell hoznia egy AzureKeyCredential key példányt az Azure Portalról, valamint egy példányt DocumentAnalysisClient a AzureKeyCredential Form Recognizerrel endpoint.

1. Nyissa meg a fájlt a index.js Visual Studio Code-ban vagy a kedvenc IDE-ben. Másolja és illessze be az alábbi kódminták egyikét az alkalmazásba:

   • Elrendezés

   • Előre összeállított számla

Fontos

Ne felejtse el eltávolítani a kulcsot a kódból, amikor elkészült, és soha ne tegye közzé nyilvánosan. Éles környezetben biztonságos módon tárolhatja és érheti el a hitelesítő adatait, például az Azure Key Vaultot. További információ: Azure AI-szolgáltatások biztonsága.

Elrendezési modell

Szöveg, kijelölési jelek, szövegstílusok, táblázatstruktúrák és határolórégió koordinátáinak kinyerése dokumentumokból.

• Ebben a példában egy URL-címről származó dokumentumfájlra lesz szüksége. Ehhez a rövid útmutatóhoz használhatja a mintadokumentumunkat.
• Hozzáadtuk a fájl URL-címét a formUrl fájl tetején található változóhoz.
• Ha egy adott fájlt egy URL-címből szeretne elemezni, a beginAnalyzeDocuments metódust fogja használni, és modellazonosítóként adja át prebuilt-layout .

Adja hozzá a következő kódmintát a index.js fájlhoz. Győződjön meg arról, hogy frissíti a kulcs- és végpontváltozókat az Azure Portal Document Intelligence-példány értékeivel:

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

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

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

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

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

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

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

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

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

Az alkalmazás futtatása

Miután hozzáadott egy kódmintát az alkalmazáshoz, futtassa a programot:

1. Lépjen arra a mappára, ahol a Dokumentumintelligencia-alkalmazás (doc-intel-app) található.

2. Írja be a következő parancsot a terminálba:

   node index.js
   

Elrendezési modell kimenete

Íme egy kódrészlet a várt kimenetről:

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

A teljes kimenet megtekintéséhez látogasson el az Azure-minták adattárába a GitHubon az elrendezési modell kimenetének megtekintéséhez.

Előre összeállított modell

Ebben a példában egy számlát elemezünk az előre összeállított számlamodell használatával.

Tipp.

Nem korlátozódik a számlákra – számos előre összeállított modell közül választhat, amelyek mindegyike saját támogatott mezőkkel rendelkezik. A művelethez analyze használandó modell az elemezni kívánt dokumentum típusától függ. Lásd: modelladatok kinyerése.

• Számla elemzése az előre összeállított számlamodell használatával. Ehhez a rövid útmutatóhoz használhatja a számlaminta-dokumentumunkat.
• Hozzáadtuk a fájl URL-címét a invoiceUrl fájl tetején lévő változóhoz.
• Ha egy adott fájlt egy URI-n szeretne elemezni, használja a beginAnalyzeDocuments metódust, és adja át PrebuiltModels.Invoice a modellazonosítót. A visszaadott érték egy result olyan objektum, amely adatokat tartalmaz az elküldött dokumentumról.
• Az egyszerűség kedvéért a szolgáltatás által visszaadott kulcs-érték párok nem jelennek meg itt. A támogatott mezők és a kapcsolódó típusok listáját a Számla koncepció oldalán tekintheti meg.

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

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

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

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

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

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

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

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

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

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

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

Az alkalmazás futtatása

Miután hozzáadott egy kódmintát az alkalmazáshoz, futtassa a programot:

1. Lépjen arra a mappára, ahol a Dokumentumintelligencia-alkalmazás (doc-intel-app) található.

2. Írja be a következő parancsot a terminálba:

   node index.js
   

Előre összeállított modell kimenete

Íme egy kódrészlet a várt kimenetről:

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

A teljes kimenet megtekintéséhez látogasson el a GitHub Azure-mintaadattárába az előre összeállított számlamodell kimenetének megtekintéséhez.

Ügyfélkódtár SDK-referencia | REST API-referenciacsomag | (PyPi) | Minták | támogatott REST API-verzió |

Ebben a rövid útmutatóban az alábbi funkciókkal elemezheti és kinyerheti az adatokat űrlapokból és dokumentumokból:

• Elrendezés – Táblázatok, vonalak, szavak és kijelölési jelek, például választógombok, jelölőnégyzetek és kulcs-érték párok elemzése és kinyerése anélkül, hogy be kellene tanítani egy modellt.

• Előre összeállított számla – Általános mezők elemzése és kinyerése adott dokumentumtípusokból egy előre betanított modell használatával.

Előfeltételek

• Azure-előfizetés – Hozzon létre egyet ingyenesen.

• Python 3.7 vagy újabb.

  • A Python-telepítésnek tartalmaznia kell a pipet. A parancssorban való futtatással pip --version ellenőrizheti, hogy telepítve van-e a pip. Kérje le a pipet a Python legújabb verziójának telepítésével.

• A Visual Studio Code legújabb verziója vagy az ön által előnyben részesített IDE. További információ: A Python használatának első lépései a Visual Studio Code-ban.

• Azure AI-szolgáltatások vagy Dokumentumintelligencia-erőforrás. Ha már rendelkezik Azure-előfizetéssel, hozzon létre egy egy vagy többszolgáltatásos dokumentumintelligencia-erőforrást az Azure Portalon a kulcs és a végpont lekéréséhez. Az ingyenes tarifacsomag (F0) használatával kipróbálhatja a szolgáltatást, és később frissíthet egy fizetős szintre az éles környezetben.

Tipp.

Azure AI-szolgáltatási erőforrás létrehozása, ha több Azure AI-szolgáltatást szeretne elérni egyetlen végpont/kulcs alatt. Csak dokumentumintelligencia-hozzáféréshez hozzon létre egy dokumentumintelligencia-erőforrást. Vegye figyelembe, hogy a Microsoft Entra-hitelesítés használatához egy egyszolgáltatásos erőforrásra lesz szüksége.

• Az erőforrás üzembe helyezése után válassza az Ugrás az erőforrásra lehetőséget. Az alkalmazás a Document Intelligence API-hoz való csatlakoztatásához szüksége van a létrehozott erőforrás kulcsára és végpontjára. A rövid útmutató későbbi részében beillesztheti a kulcsot és a végpontot a kódba:

  

Beállítás

Nyisson meg egy terminálablakot a helyi környezetben, és telepítse a Pythonhoz készült Azure AI Document Intelligence ügyféloldali kódtárat pip használatával:

pip install azure-ai-formrecognizer==3.3.0

Python-alkalmazás létrehozása

A Dokumentumintelligencia szolgáltatás használatához létre kell hoznia az osztály egy példányát DocumentAnalysisClient . Ehhez létre kell hoznia egy példányt AzureKeyCredential key az Azure Portalról, valamint egy DocumentAnalysisClient példányt a dokumentumintelligencia és a AzureKeyCredential dokumentumintelligencia használatával endpoint.

1. Hozzon létre egy form_recognizer_quickstart.py nevű új Python-fájlt az előnyben részesített szerkesztőben vagy IDE-ben.

2. Nyissa meg a form_recognizer_quickstart.py fájlt, és válassza ki az alábbi kódminták egyikét az alkalmazásba való másoláshoz és beillesztéshez:

   • Elrendezés

   • Előre összeállított számla

Fontos

Ne felejtse el eltávolítani a kulcsot a kódból, amikor elkészült, és soha ne tegye közzé nyilvánosan. Éles környezetben biztonságos módon tárolhatja és érheti el a hitelesítő adatait, például az Azure Key Vaultot. További információ: Azure AI-szolgáltatások biztonsága.

Elrendezési modell

Szöveg, kijelölési jelek, szövegstílusok, táblázatstruktúrák és határolórégió koordinátáinak kinyerése dokumentumokból.

• Ebben a példában egy URL-címről származó dokumentumfájlra lesz szüksége. Ehhez a rövid útmutatóhoz használhatja a mintadokumentumunkat.
• Hozzáadtuk a fájl URL-címét a formUrl függvény változóhoz analyze_layout .

Ha egy adott fájlt egy URL-címen szeretne elemezni, használja a begin_analyze_document_from_url metódust, és adja meg prebuilt-layout a modellazonosítót. A visszaadott érték egy result olyan objektum, amely adatokat tartalmaz az elküldött dokumentumról.

Adja hozzá a következő kódmintát a form_recognizer_quickstart.py alkalmazáshoz. Győződjön meg arról, hogy frissíti a kulcs- és végpontváltozókat az Azure Portal Form Recognizer-példány értékeivel:

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

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

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

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

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

    poller = document_analysis_client.begin_analyze_document_from_url(
            "prebuilt-layout", formUrl)
    result = poller.result()

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

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

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

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

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

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

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


if __name__ == "__main__":
    analyze_layout()

Az alkalmazás futtatása

Miután hozzáadott egy kódmintát az alkalmazáshoz, hozza létre és futtassa a programot:

1. Lépjen arra a mappára, ahol a form_recognizer_quickstart.py fájl található.

2. Írja be a következő parancsot a terminálba:

   python form_recognizer_quickstart.py
   

Elrendezési modell kimenete

Íme egy kódrészlet a várt kimenetről:

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

A teljes kimenet megtekintéséhez látogasson el az Azure-minták adattárába a GitHubon az elrendezési modell kimenetének megtekintéséhez.

---

Előre összeállított modell

Egy előre összeállított modell használatával elemezheti és kinyerheti a gyakori mezőket adott dokumentumtípusokból. Ebben a példában egy számlát elemezünk az előre összeállított számlamodell használatával.

Tipp.

Nem korlátozódik a számlákra – számos előre összeállított modell közül választhat, amelyek mindegyike saját támogatott mezőkkel rendelkezik. A művelethez analyze használandó modell az elemezni kívánt dokumentum típusától függ. Lásd: modelladatok kinyerése.

• Számla elemzése az előre összeállított számlamodell használatával. Ehhez a rövid útmutatóhoz használhatja a számlaminta-dokumentumunkat.
• Hozzáadtuk a fájl URL-címét a invoiceUrl fájl tetején lévő változóhoz.
• Az egyszerűség kedvéért a szolgáltatás által visszaadott kulcs-érték párok nem jelennek meg itt. A támogatott mezők és a kapcsolódó típusok listáját a Számla koncepció oldalán tekintheti meg.

Ha egy adott fájlt egy URI-n szeretne elemezni, használja a begin_analyze_document_from_url metódust, és adja át prebuilt-invoice a modellazonosítót. A visszaadott érték egy result olyan objektum, amely adatokat tartalmaz az elküldött dokumentumról.

Adja hozzá a következő kódmintát a form_recognizer_quickstart.py alkalmazáshoz. Győződjön meg arról, hogy frissíti a kulcs- és végpontváltozókat az Azure Portal Form Recognizer-példány értékeivel:

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

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


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


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


def analyze_invoice():

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

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

    poller = document_analysis_client.begin_analyze_document_from_url(
        "prebuilt-invoice", invoiceUrl
    )
    invoices = poller.result()

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

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

if __name__ == "__main__":
    analyze_invoice()

Az alkalmazás futtatása

Miután hozzáadott egy kódmintát az alkalmazáshoz, hozza létre és futtassa a programot:

1. Lépjen arra a mappára, ahol a form_recognizer_quickstart.py fájl található.

2. Írja be a következő parancsot a terminálba:

   python form_recognizer_quickstart.py
   

Előre összeállított modell kimenete

Íme egy kódrészlet a várt kimenetről:

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

A teljes kimenet megtekintéséhez látogasson el a GitHub Azure-mintaadattárába az előre összeállított számlamodell kimenetének megtekintéséhez.

| A Document Intelligence REST API | által támogatott Azure SDK-k |

Ebben a rövid útmutatóban megtudhatja, hogy a Document Intelligence REST API használatával elemezheti és kinyerheti az adatokat és az értékeket a dokumentumokból:

Előfeltételek

• Azure-előfizetés – Ingyenes létrehozás

• curl parancssori eszköz telepítve.

  • Windows
  • Mac vagy Linux

• A PowerShell 7.*+ verziója (vagy egy hasonló parancssori alkalmazás):

  • Windows
  • macOS
  • Linux

• A PowerShell-verzió ellenőrzéséhez írja be az alábbi parancsot az operációs rendszerhez képest:

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

• Dokumentumintelligencia-(egyszolgáltatásos) vagy Azure AI-szolgáltatások (többszolgáltatásos) erőforrás. Ha már rendelkezik Azure-előfizetéssel, hozzon létre egy egy vagy többszolgáltatásos dokumentumintelligencia-erőforrást az Azure Portalon a kulcs és a végpont lekéréséhez. Az ingyenes tarifacsomag (F0) használatával kipróbálhatja a szolgáltatást, és később frissíthet egy fizetős szintre az éles környezetben.

Tipp.

Azure AI-szolgáltatási erőforrás létrehozása, ha több Azure AI-szolgáltatást szeretne elérni egyetlen végpont/kulcs alatt. Csak dokumentumintelligencia-hozzáféréshez hozzon létre egy dokumentumintelligencia-erőforrást. Vegye figyelembe, hogy a Microsoft Entra-hitelesítés használatához egy egyszolgáltatásos erőforrásra lesz szüksége.

• Az erőforrás üzembe helyezése után válassza az Ugrás az erőforrásra lehetőséget. Az alkalmazás a Document Intelligence API-hoz való csatlakoztatásához szüksége van a létrehozott erőforrás kulcsára és végpontjára. A rövid útmutató későbbi részében beillesztheti a kulcsot és a végpontot a kódba:

  

Dokumentumok elemzése és eredmények lekérése

A POST-kérések egy előre összeállított vagy egyéni modellel rendelkező dokumentumok elemzésére szolgálnak. A GET kérés egy dokumentumelemzési hívás eredményének lekérésére szolgál. A modelId POST és resultId a GET műveletek esetén használatos.

Dokumentum elemzése (POST-kérelem)

A cURL parancs futtatása előtt végezze el a következő módosításokat a post requestben:

1. Cserélje le {endpoint} az Azure Portal Dokumentumintelligencia-példányának végpontértékére.

2. Cserélje le {key} az Azure Portal Dokumentumintelligencia-példányának kulcsértékére.

3. Az alábbi táblázatot hivatkozásként használva cserélje le és {your-document-url} írja be {modelID} a kívánt értékeket.

4. Egy URL-címen található dokumentumfájlra van szüksége. Ebben a rövid útmutatóban az alábbi táblázatban szereplő mintaűrlapokat használhatja az egyes funkciókhoz:

Mintadokumentumok

Szolgáltatás	{modelID}	{your-document-url}
Általános dokumentum	előre összeállított dokumentum	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-layout.pdf
Olvasás	előre összeállított olvasás	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/read.png
Elrendezés	előre összeállított elrendezés	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/layout.png
Egészségbiztosítási kártya	prebuilt-healthInsuranceCard.us	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/insurance-card.png
W-2-nyomtatványok	prebuilt-tax.us.w2	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png
Számla	előre összeállított számla	https://github.com/Azure-Samples/cognitive-services-REST-api-samples/raw/master/curl/form-recognizer/rest-api/invoice.pdf
Nyugta	előre összeállított nyugta	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/receipt.png
Személyazonosító okmányok	előre összeállított-idDocument	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png
Névjegykártya	előre összeállított-businessCard	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/de5e0d8982ab754823c54de47a47e8e499351523/curl/form-recognizer/rest-api/business_card.jpg

Fontos

Ne felejtse el eltávolítani a kulcsot a kódból, amikor elkészült, és soha ne tegye közzé nyilvánosan. Éles környezetben biztonságos módon tárolhatja és érheti el a hitelesítő adatait, például az Azure Key Vaultot. További információ: Azure AI-szolgáltatások biztonsága.

POST kérés

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

POST-válasz (resultID)

Olyan választ kap 202 (Success) , amely egy írásvédett műveleti hely fejlécet tartalmaz. Ennek az élőfejnek az értéke olyan resultID lekérdezést tartalmaz, amely lekérdezhető az aszinkron művelet állapotának lekéréséhez és az eredmények lekéréséhez egy GET kéréssel ugyanazzal az erőforrás-előfizetési kulccsal:

Elemzési eredmények lekérése (GET-kérelem)

Az API meghívása Analyze document után hívja meg az Elemzés eredménye API-t a művelet állapotának és a kinyert adatok lekéréséhez. A parancs futtatása előtt végezze el a következő módosításokat:

1. Cserélje le {resultID} az Operation-Location fejlécet a POST válaszból.

2. Cserélje le {key} a Dokumentumintelligencia-példány kulcsértékére az Azure Portalon.

GET kérés

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

A válasz vizsgálata

JSON-kimenettel rendelkező választ kap 200 (Success) . Az első mező "status"a művelet állapotát jelzi. Ha a művelet nem fejeződött be, a művelet értéke "status" vagy "running" "notStarted", és újra meg kell hívnia az API-t manuálisan vagy egy szkripten keresztül. Javasoljuk, hogy a hívások között legalább egy másodperces időközt válasszon.

Mintaválasz előre összeállított számlához

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

Támogatott dokumentummezők

Az előre összeállított modellek előre definiált dokumentummezőket nyernek ki. A kinyert mezőnevekről, típusokról, leírásokról és példákról lásd a modell adatkinyerés című témakört.

Ennyi, gratulálok!

Ebben a rövid útmutatóban egy dokumentumintelligencia-modellt használt a különböző űrlapok és dokumentumok elemzéséhez. Ezután ismerkedjen meg a Document Intelligence Studióval, és referenciadokumentációt a Document Intelligence API részletes megismeréséhez.

Következő lépések

• A továbbfejlesztett felhasználói élmény és a fejlett modellminőség érdekében próbálja ki a Document Intelligence Studiót

• A 3.1-ről a 4.0-s verzióra történő migrálásról a Changelog Migration útmutatóiban olvashat.

• További példákat találhat a GitHubon.