Menggunakan model Kecerdasan Dokumen

Konten ini berlaku untuk: v4.0 (pratinjau) | Versi sebelumnya: v3.1 (GA) v3.0 (GA) v2.1 (GA)

Dalam panduan ini, pelajari cara menambahkan model Kecerdasan Dokumen ke aplikasi dan alur kerja Anda. Gunakan SDK bahasa pemrograman pilihan Anda atau REST API.

Azure AI Document Intelligence adalah layanan Azure AI berbasis cloud yang menggunakan pembelajaran mesin untuk mengekstrak elemen teks dan struktur utama dari dokumen. Kami menyarankan agar Anda menggunakan layanan gratis saat Anda mempelajari teknologi. Ingatlah bahwa jumlah halaman gratis dibatasi hingga 500 per bulan.

Pilih dari model Kecerdasan Dokumen berikut dan analisis serta ekstrak data dan nilai dari formulir dan dokumen:

• Model baca bawaan adalah inti dari semua model Kecerdasan Dokumen dan dapat mendeteksi baris, kata, lokasi, dan bahasa. Tata letak, dokumen umum, bawaan, dan model kustom semuanya menggunakan read model sebagai fondasi untuk mengekstrak teks dari dokumen.

• Model tata letak bawaan mengekstrak lokasi teks dan teks, tabel, tanda pilihan, dan informasi struktur dari dokumen dan gambar. Anda dapat mengekstrak pasangan kunci/nilai menggunakan model tata letak dengan parameter features=keyValuePairs string kueri opsional diaktifkan.

• Model kontrak bawaan mengekstrak informasi utama dari perjanjian kontrak.

• Model prebuilt-healthInsuranceCard.us mengekstrak informasi utama dari kartu asuransi kesehatan AS.

• Model model dokumen pajak bawaan mengekstrak informasi yang dilaporkan pada formulir pajak AS.

• Model faktur bawaan mengekstrak bidang kunci dan item baris dari faktur penjualan dalam berbagai format dan kualitas. Bidang mencakup gambar yang diambil telepon, dokumen yang dipindai, dan PDF digital.

• Model tanda terima bawaan mengekstrak informasi utama dari tanda terima penjualan cetak dan tulisan tangan.

• Model prebuilt-idDocument mengekstrak informasi utama dari SIM AS, halaman biografi paspor internasional, ID negara bagian AS, kartu jaminan sosial, dan kartu penduduk permanen.

Referensi SDK | pustaka | klien REST API | sampel|paket| rest api yang didukung versi

Prasyarat

• Langganan Azure - Buat langganan gratis.

• IDE Visual Studio.

• Layanan Azure AI atau sumber daya Kecerdasan Dokumen. Membuat layanan tunggal atau multi-layanan. Anda dapat menggunakan tingkat harga gratis (F0) untuk percobaan, lalu meningkatkannya ke tingkat berbayar untuk produksi.

• Kunci dan titik akhir dari sumber daya yang Anda buat untuk menyambungkan aplikasi Anda ke layanan Azure Document Intelligence.

  1. Setelah sumber daya Anda disebarkan, pilih Buka sumber daya.
  2. Di menu navigasi kiri, pilih Kunci dan Titik Akhir.
  3. Salin salah satu kunci dan Titik Akhir untuk digunakan nanti di artikel ini.

  

• File dokumen di lokasi URL. Untuk proyek ini, Anda dapat menggunakan formulir sampel yang disediakan dalam tabel berikut untuk setiap fitur:

  Fitur	modelID	document-url
  Model Baca	baca bawaan	Brosur sampel
  Model tata letak	prebuilt-layout	Contoh konfirmasi pemesanan
  Model formulir W-2	prebuilt-tax.us.w2	Contoh formulir W-2
  Model faktur	Faktur Bawaan	Sampel faktur
  Model tanda terima	tanda terima bawaan	Sampel tanda terima
  Model dokumen ID	prebuilt-idDocument	Sampel dokumen ID

Mengatur variabel lingkungan Anda

Untuk berinteraksi dengan layanan Kecerdasan Dokumen, Anda perlu membuat instans DocumentAnalysisClient kelas. Untuk melakukannya, buat instans klien dengan Anda key dan endpoint dari portal Azure. Untuk proyek ini, gunakan variabel lingkungan untuk menyimpan dan mengakses kredensial.

Penting

Jika Anda menggunakan kunci API, simpan dengan aman di tempat lain, seperti di Azure Key Vault. Jangan sertakan kunci API langsung dalam kode Anda, dan jangan pernah mempostingnya secara publik.

Untuk informasi selengkapnya tentang keamanan layanan AI, lihat Mengautentikasi permintaan ke layanan Azure AI.

Untuk mengatur variabel lingkungan untuk kunci sumber daya Kecerdasan Dokumen Anda, buka jendela konsol, dan ikuti instruksi untuk sistem operasi dan lingkungan pengembangan Anda. Ganti <YourKey> dan <yourEndpoint> dengan nilai dari sumber daya Anda di portal Azure.

Windows

Variabel lingkungan di Windows tidak peka huruf besar/kecil. Mereka biasanya dideklarasikan dalam huruf besar, dengan kata-kata yang digabungkan dengan garis bawah. Pada prompt perintah, jalankan perintah berikut:

1. Atur variabel kunci Anda:

   setx DI_KEY <yourKey>
   

2. Mengatur variabel titik akhir Anda

   setx DI_ENDPOINT <yourEndpoint>
   

3. Tutup jendela Prompt Perintah setelah Anda mengatur variabel lingkungan Anda. Nilai tetap ada sampai Anda mengubahnya lagi.

4. Mulai ulang program yang sedang berjalan yang membaca variabel lingkungan. Misalnya, jika Anda menggunakan Visual Studio atau Visual Studio Code sebagai editor, mulai ulang sebelum menjalankan kode sampel.

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
setx VARIABLE_NAME=	Hapus variabel lingkungan dengan mengatur nilai ke string kosong.	setx DI_KEY=
setx VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Menampilkan nilai variabel lingkungan tertentu.	set DI_KEY
set	Tampilkan semua variabel lingkungan.	set

macOS

Variabel lingkungan di macOS peka huruf besar/kecil. Secara konvensional, nama variabel dideklarasikan dalam huruf besar.

Perintah export mengatur variabel dan mengekspornya ke lingkungan global, yang tersedia untuk proses lain. Namun, nilainya bersifat sementara dan hanya berlangsung sampai Anda menutup sesi terminal. Buka terminal Anda dan masukkan perintah berikut:

1. Atur variabel kunci Anda:

   export key=<yourKey>
   

2. Atur variabel titik akhir Anda:

   export endpoint=<yourEndpoint>
   

Untuk mengatur variabel lingkungan secara permanen, tempatkan perintah ekspor di skrip startup Bash ~/.bash_profile Anda:

1. Gunakan editor teks untuk membuka file ~/.bash_profile dan tambahkan perintah berikut untuk membuat variabel lingkungan permanen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Contoh: export DI_KEY="<yourKey>"

2. Simpan perubahan Anda ke file bash_profile .

3. Untuk membuat perubahan efektif, jalankan perintah berikut dari jendela terminal Anda:

   source ~/.bash-profile
   

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
unset VARIABLE_NAME	Menghapus variabel lingkungan.	unset DI_KEY
export VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan sementara.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Menampilkan nilai variabel lingkungan tertentu. echo Dengan perintah , awali variabel dengan $.	printenv DI_KEY echo $DI_KEY
printenv	Tampilkan semua variabel lingkungan.	printenv

Linux

Variabel lingkungan di Linux peka huruf besar/kecil. Secara konvensional, nama variabel dideklarasikan dalam huruf besar.

Perintah export mengatur variabel dan mengekspornya ke lingkungan global, yang tersedia untuk proses lain. Namun, nilainya bersifat sementara dan hanya berlangsung sampai Anda menutup sesi terminal:

1. Atur variabel kunci Anda:

   export DI_KEY=<yourKey>
   

2. Atur variabel titik akhir Anda:

   export DI_ENDPOINT=<yourEndpoint>
   

Untuk mengatur variabel lingkungan secara permanen, tempatkan perintah ekspor di skrip startup Bash ~/.bashrc Anda:

1. Gunakan editor teks untuk membuka file ~/.bashrc dan tambahkan perintah berikut untuk membuat variabel lingkungan permanen:

   export <VARIABLE>=<value>
   

   Contoh: export DI_KEY=<yourKey>

2. Simpan perubahan Anda ke file .bashrc .

3. Untuk membuat perubahan efektif, jalankan perintah berikut dari jendela terminal Anda:

   source ~/.bashrc
   

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
unset VARIABLE_NAME	Menghapus variabel lingkungan.	unset DI_KEY=
export VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan sementara.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Menampilkan nilai variabel lingkungan. echo Dengan perintah , awali variabel dengan $.	printenv DI_KEY echo $DI_KEY
printenv	Tampilkan semua variabel lingkungan.	printenv

Menyiapkan lingkungan pemrograman Anda

1. Mulai Visual Studio.

2. Dari halaman awal, pilih Buat proyek baru.

   

3. Pada halaman Buat proyek baru, masukkan konsol di kotak pencarian. Pilih templat Aplikasi Konsol, lalu pilih Berikutnya.

   

4. Di halaman Konfigurasikan proyek baru Anda, di bawah Nama proyek masukkan docIntelligence_app. Kemudian pilih Berikutnya.

   

5. Di halaman Informasi tambahan, pilih .NET 8.0 (Dukungan jangka panjang), lalu pilih Buat.

   

Memasang pustaka klien dengan NuGet

1. Klik kanan pada proyek docIntelligence_app Anda dan pilih Kelola Paket NuGet... .

   

2. Pilih tab Telusuri dan ketik Azure.AI.FormRecognizer.

3. Pilih kotak Include prerelease centang.

   

4. Pilih versi dari menu dropdown dan instal paket di proyek Anda.

Bangun aplikasi Anda

Catatan

Dimulai dengan .NET 6, proyek baru yang menggunakan templat console menghasilkan gaya program baru yang berbeda dari versi sebelumnya. Output baru menggunakan fitur C# terbaru yang menyederhanakan kode yang perlu Anda tulis.

Saat Anda menggunakan versi yang lebih baru, Anda hanya perlu menulis isi metode Main. Anda tidak perlu menyertakan pernyataan tingkat atas, global menggunakan direktif, atau implisit menggunakan direktif. Untuk informasi selengkapnya, lihat Templat aplikasi konsol C# menghasilkan pernyataan tingkat atas.

1. Buka file Program.cs.

2. Hapus kode yang sudah ada sebelumnya, termasuk baris Console.Writeline("Hello World!").

3. Pilih salah satu sampel kode berikut dan salin/tempelkan ke file Program.cs aplikasi Anda:

   • baca bawaan
   • prebuilt-layout
   • prebuilt-tax.us.w2
   • Faktur Bawaan
   • tanda terima bawaan
   • prebuilt-idDocument

4. Setelah Anda menambahkan sampel kode ke aplikasi Anda, pilih tombol Mulai hijau di samping nama proyek untuk membangun dan menjalankan program Anda, atau tekan F5.

   

Menggunakan model Baca

using Azure;
using Azure.AI.DocumentIntelligence;

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

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

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

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

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

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

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

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

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

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

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

Console.WriteLine("Detected languages:");

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

Kunjungi repositori sampel Azure di GitHub dan lihat read output model.

Menggunakan model Tata Letak

using Azure;
using Azure.AI.DocumentIntelligence;

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

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

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

AnalyzeResult result = operation.Value;

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

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

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

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

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

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

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

Console.WriteLine("Paragraphs:");

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

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

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

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

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

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

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

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

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

Kunjungi repositori sampel Azure di GitHub dan lihat output model tata letak.

Menggunakan model dokumen Umum

using Azure;
using Azure.AI.DocumentIntelligence;

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

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

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

AnalyzeResult result = operation.Value;

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Kunjungi repositori sampel Azure di GitHub dan lihat output model dokumen umum.

Menggunakan model pajak W-2

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}");
                }
            }
        }
    }
}

Kunjungi repositori sampel Azure di GitHub dan lihat output model pajak W-2.

Menggunakan model Faktur

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}");
        }
    }
}

Kunjungi repositori sampel Azure di GitHub dan lihat output model faktur.

Menggunakan model Tanda Terima

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}'");
        }
    }
}

Kunjungi repositori sampel Azure di GitHub dan lihat output model tanda terima.

Menggunakan model dokumen ID

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}");
    }
}

Kunjungi repositori sampel Azure di GitHub dan lihat output model dokumen ID.

Referensi SDK | pustaka | klien Paket referensi | REST API (Maven) | Sampel Versi REST API yang Didukung |

Prasyarat

• Langganan Azure - Buat langganan gratis.

• Versi terbaru dari Visual Studio Code atau IDE pilihan Anda. Lihat Java di Visual Studio Code.

  • Visual Studio Code menawarkan Paket Pengodean untuk Java untuk Windows dan macOS. Paket pengodean VS adalah bundel Kode, Java Development Kit (JDK), dan kumpulan ekstensi yang disarankan oleh Microsoft. Paket Pengkodean juga dapat digunakan untuk memperbaiki lingkungan pengembangan yang ada.
  • Jika Anda menggunakan VS Kode dan Paket Pengodean Untuk Java, instal ekstensi Gradle for Java .

  Jika Anda tidak menggunakan Visual Studio Code, pastikan Anda memiliki hal berikut yang terinstal di lingkungan pengembangan Anda:

  • Java Development Kit (JDK) versi 8 atau yang lebih baru. Untuk informasi selengkapnya, lihat Microsoft Build of OpenJDK.
  • Gradle, versi 6.8 atau yang lebih baru.

• Layanan Azure AI atau sumber daya Kecerdasan Dokumen. Membuat layanan tunggal atau multi-layanan. Anda dapat menggunakan tingkat harga gratis (F0) untuk percobaan, lalu meningkatkannya ke tingkat berbayar untuk produksi.

  Tip

  Buat sumber daya layanan Azure AI jika Anda berencana mengakses beberapa layanan Azure AI dengan menggunakan satu titik akhir dan kunci. Hanya untuk akses Kecerdasan Dokumen, buat sumber daya Kecerdasan Dokumen. Anda memerlukan sumber daya layanan tunggal jika Ingin menggunakan autentikasi Microsoft Entra.

• Kunci dan titik akhir dari sumber daya yang Anda buat untuk menyambungkan aplikasi Anda ke layanan Azure Document Intelligence.

  1. Setelah sumber daya Anda disebarkan, pilih Buka sumber daya.
  2. Di menu navigasi kiri, pilih Kunci dan Titik Akhir.
  3. Salin salah satu kunci dan Titik Akhir untuk digunakan nanti di artikel ini.

  

• File dokumen di URL. Untuk proyek ini, Anda dapat menggunakan formulir sampel yang disediakan dalam tabel berikut untuk setiap fitur:

  Fitur	modelID	document-url
  Model Baca	baca bawaan	Brosur sampel
  Model tata letak	prebuilt-layout	Contoh konfirmasi pemesanan
  Model formulir W-2	prebuilt-tax.us.w2	Contoh formulir W-2
  Model faktur	Faktur Bawaan	Sampel faktur
  Model tanda terima	tanda terima bawaan	Sampel tanda terima
  Model dokumen ID	prebuilt-idDocument	Sampel dokumen ID

Mengatur variabel lingkungan Anda

Untuk berinteraksi dengan layanan Kecerdasan Dokumen, Anda perlu membuat instans DocumentAnalysisClient kelas. Untuk melakukannya, buat instans klien dengan Anda key dan endpoint dari portal Azure. Untuk proyek ini, gunakan variabel lingkungan untuk menyimpan dan mengakses kredensial.

Penting

Jika Anda menggunakan kunci API, simpan dengan aman di tempat lain, seperti di Azure Key Vault. Jangan sertakan kunci API langsung dalam kode Anda, dan jangan pernah mempostingnya secara publik.

Untuk informasi selengkapnya tentang keamanan layanan AI, lihat Mengautentikasi permintaan ke layanan Azure AI.

Untuk mengatur variabel lingkungan untuk kunci sumber daya Kecerdasan Dokumen Anda, buka jendela konsol, dan ikuti instruksi untuk sistem operasi dan lingkungan pengembangan Anda. Ganti <YourKey> dan <yourEndpoint> dengan nilai dari sumber daya Anda di portal Azure.

Windows

Variabel lingkungan di Windows tidak peka huruf besar/kecil. Mereka biasanya dideklarasikan dalam huruf besar, dengan kata-kata yang digabungkan dengan garis bawah. Pada prompt perintah, jalankan perintah berikut:

1. Atur variabel kunci Anda:

   setx DI_KEY <yourKey>
   

2. Mengatur variabel titik akhir Anda

   setx DI_ENDPOINT <yourEndpoint>
   

3. Tutup jendela Prompt Perintah setelah Anda mengatur variabel lingkungan Anda. Nilai tetap ada sampai Anda mengubahnya lagi.

4. Mulai ulang program yang sedang berjalan yang membaca variabel lingkungan. Misalnya, jika Anda menggunakan Visual Studio atau Visual Studio Code sebagai editor, mulai ulang sebelum menjalankan kode sampel.

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
setx VARIABLE_NAME=	Hapus variabel lingkungan dengan mengatur nilai ke string kosong.	setx DI_KEY=
setx VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Menampilkan nilai variabel lingkungan tertentu.	set DI_KEY
set	Tampilkan semua variabel lingkungan.	set

macOS

Variabel lingkungan di macOS peka huruf besar/kecil. Secara konvensional, nama variabel dideklarasikan dalam huruf besar.

Perintah export mengatur variabel dan mengekspornya ke lingkungan global, yang tersedia untuk proses lain. Namun, nilainya bersifat sementara dan hanya berlangsung sampai Anda menutup sesi terminal. Buka terminal Anda dan masukkan perintah berikut:

1. Atur variabel kunci Anda:

   export key=<yourKey>
   

2. Atur variabel titik akhir Anda:

   export endpoint=<yourEndpoint>
   

Untuk mengatur variabel lingkungan secara permanen, tempatkan perintah ekspor di skrip startup Bash ~/.bash_profile Anda:

1. Gunakan editor teks untuk membuka file ~/.bash_profile dan tambahkan perintah berikut untuk membuat variabel lingkungan permanen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Contoh: export DI_KEY="<yourKey>"

2. Simpan perubahan Anda ke file bash_profile .

3. Untuk membuat perubahan efektif, jalankan perintah berikut dari jendela terminal Anda:

   source ~/.bash-profile
   

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
unset VARIABLE_NAME	Menghapus variabel lingkungan.	unset DI_KEY
export VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan sementara.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Menampilkan nilai variabel lingkungan tertentu. echo Dengan perintah , awali variabel dengan $.	printenv DI_KEY echo $DI_KEY
printenv	Tampilkan semua variabel lingkungan.	printenv

Linux

Variabel lingkungan di Linux peka huruf besar/kecil. Secara konvensional, nama variabel dideklarasikan dalam huruf besar.

Perintah export mengatur variabel dan mengekspornya ke lingkungan global, yang tersedia untuk proses lain. Namun, nilainya bersifat sementara dan hanya berlangsung sampai Anda menutup sesi terminal:

1. Atur variabel kunci Anda:

   export DI_KEY=<yourKey>
   

2. Atur variabel titik akhir Anda:

   export DI_ENDPOINT=<yourEndpoint>
   

Untuk mengatur variabel lingkungan secara permanen, tempatkan perintah ekspor di skrip startup Bash ~/.bashrc Anda:

1. Gunakan editor teks untuk membuka file ~/.bashrc dan tambahkan perintah berikut untuk membuat variabel lingkungan permanen:

   export <VARIABLE>=<value>
   

   Contoh: export DI_KEY=<yourKey>

2. Simpan perubahan Anda ke file .bashrc .

3. Untuk membuat perubahan efektif, jalankan perintah berikut dari jendela terminal Anda:

   source ~/.bashrc
   

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
unset VARIABLE_NAME	Menghapus variabel lingkungan.	unset DI_KEY=
export VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan sementara.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Menampilkan nilai variabel lingkungan. echo Dengan perintah , awali variabel dengan $.	printenv DI_KEY echo $DI_KEY
printenv	Tampilkan semua variabel lingkungan.	printenv

Menyiapkan lingkungan pemrograman Anda

Untuk menyiapkan lingkungan pemrograman Anda, buat proyek Gradle dan instal pustaka klien.

Membuat proyek Gradle

1. Di jendela konsol, buat direktori untuk aplikasi Anda yang disebut doc-intelligence-app dan navigasikan ke dalamnya.

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

2. Jalankan perintah gradle init dari direktori yang berfungsi. Perintah ini membuat file build penting untuk Gradle, termasuk build.gradle.kts, yang digunakan pada runtime untuk membuat dan mengonfigurasi aplikasi Anda.

   gradle init --type basic
   

3. Saat diminta untuk memilih DSL, pilih Kotlin.

4. Pilih Enter untuk menerima nama proyek default, doc-intelligence-app.

Memasang pustaka klien

Artikel ini menggunakan manajer dependensi Gradle. Anda dapat menemukan pustaka klien dan informasi untuk pengelola dependensi lain di Repositori Pusat Maven.

1. Buka file build.gradle.kts proyek di IDE Anda. Salin dan tempel kode berikut untuk menyertakan pustaka klien sebagai implementation pernyataan, bersama dengan plugin dan pengaturan yang diperlukan.

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

Membuat aplikasi Java

Untuk berinteraksi dengan layanan Kecerdasan Dokumen, buat instans DocumentIntelligenceClient kelas. Untuk melakukannya, Anda membuat AzureKeyCredential dengan key dari portal Azure dan DocumentIntelligenceClient instans dengan AzureKeyCredential dan Kecerdasan endpointDokumen Anda .

1. Dari direktori doc-intelligence-app , jalankan perintah berikut:

   mkdir -p src/main/java
   

Perintah tersebut membuat struktur direktori berikut:

1. Navigasi ke java direktori dan buat file bernama DocIntelligence.java.

   Tip

   Anda dapat membuat file baru dengan menggunakan PowerShell. Buka jendela PowerShell di direktori proyek Anda dengan menahan tombol Shift dan mengklik kanan folder, lalu ketik perintah berikut: Item Baru DocIntelligence.java.

2. Buka file DocIntelligence.java dan pilih salah satu sampel kode berikut DAN salin/tempel ke aplikasi Anda:

   • Model baca bawaan adalah inti dari semua model Kecerdasan Dokumen dan dapat mendeteksi baris, kata, lokasi, dan bahasa. Tata letak, dokumen umum, bawaan, dan model kustom semuanya menggunakan read model sebagai fondasi untuk mengekstrak teks dari dokumen.
   • Model tata letak bawaan mengekstrak lokasi teks dan teks, tabel, tanda pilihan, dan informasi struktur dari dokumen dan gambar.
   • Model prebuilt-tax.us.w2 mengekstrak informasi yang dilaporkan pada formulir pajak Layanan Pendapatan Internal AS (IRS).
   • Model faktur bawaan mengekstrak bidang kunci dan item baris dari faktur penjualan dalam berbagai format.
   • Model tanda terima bawaan mengekstrak informasi utama dari tanda terima penjualan cetak dan tulisan tangan.
   • Model prebuilt-idDocument mengekstrak informasi utama dari SIM AS; halaman biografi paspor internasional; ID negara bagian AS; kartu jaminan sosial; dan kartu penduduk permanen.

3. Ketikkan perintah berikut:

   gradle build
   gradle run
   

Menggunakan model Baca

import com.azure.ai.documentintelligence;

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

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


public class DocIntelligence {

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

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

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

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

String modelId = "prebuilt-read";

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

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

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

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

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

Kunjungi repositori sampel Azure di GitHub dan lihat read output model.

Menggunakan model Tata Letak

import com.azure.ai.documentintelligence;

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

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

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

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

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

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

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

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

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

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

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

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

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

}

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

}

Kunjungi repositori sampel Azure di GitHub dan lihat output model tata letak.

Menggunakan model dokumen Umum

import com.azure.ai.documentintelligence;

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

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

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

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

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

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

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

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

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

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

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

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

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

}

}

Kunjungi repositori sampel Azure di GitHub dan lihat output model dokumen umum.

Menggunakan model pajak W-2

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());
    }
  }
}
}
}

Kunjungi repositori sampel Azure di GitHub dan lihat output model pajak W-2.

Menggunakan model Faktur

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

Kunjungi repositori sampel Azure di GitHub dan lihat output model faktur.

Menggunakan model Tanda Terima

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

Kunjungi repositori sampel Azure di GitHub dan lihat output model tanda terima.

Menggunakan model dokumen ID

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());
    }
  }
}
}
}

Kunjungi repositori sampel Azure di GitHub dan lihat output model dokumen ID.

Paket referensi | REST API pustaka | klien (npm) | Sampel Versi REST API yang didukung |

Prasyarat

• Langganan Azure - Buat langganan gratis.

• Versi terbaru dari Visual Studio Code atau IDE pilihan Anda. Untuk informasi selengkapnya, lihat Node.js di Visual Studio Code.

• Versi terbaru LTS Node.js.

• Layanan Azure AI atau sumber daya Kecerdasan Dokumen. Membuat layanan tunggal atau multi-layanan. Anda dapat menggunakan tingkat harga gratis (F0) untuk percobaan, lalu meningkatkannya ke tingkat berbayar untuk produksi.

  Tip

  Buat sumber daya layanan Azure AI jika Anda berencana mengakses beberapa layanan Azure AI dengan menggunakan satu titik akhir dan kunci. Hanya untuk akses Kecerdasan Dokumen, buat sumber daya Kecerdasan Dokumen. Anda memerlukan sumber daya layanan tunggal jika Ingin menggunakan autentikasi Microsoft Entra.

• Kunci dan titik akhir dari sumber daya yang Anda buat untuk menyambungkan aplikasi Anda ke layanan Azure Document Intelligence.

  1. Setelah sumber daya Anda disebarkan, pilih Buka sumber daya.
  2. Di menu navigasi kiri, pilih Kunci dan Titik Akhir.
  3. Salin salah satu kunci dan Titik Akhir untuk digunakan nanti di artikel ini.

  

• File dokumen di URL. Untuk proyek ini, Anda dapat menggunakan formulir sampel yang disediakan dalam tabel berikut untuk setiap fitur:

  Fitur	modelID	document-url
  Model Baca	baca bawaan	Brosur sampel
  Model tata letak	prebuilt-layout	Contoh konfirmasi pemesanan
  Model formulir W-2	prebuilt-tax.us.w2	Contoh formulir W-2
  Model faktur	Faktur Bawaan	Sampel faktur
  Model tanda terima	tanda terima bawaan	Sampel tanda terima
  Model dokumen ID	prebuilt-idDocument	Sampel dokumen ID

Mengatur variabel lingkungan Anda

Untuk berinteraksi dengan layanan Kecerdasan Dokumen, Anda perlu membuat instans DocumentAnalysisClient kelas. Untuk melakukannya, buat instans klien dengan Anda key dan endpoint dari portal Azure. Untuk proyek ini, gunakan variabel lingkungan untuk menyimpan dan mengakses kredensial.

Penting

Jika Anda menggunakan kunci API, simpan dengan aman di tempat lain, seperti di Azure Key Vault. Jangan sertakan kunci API langsung dalam kode Anda, dan jangan pernah mempostingnya secara publik.

Untuk informasi selengkapnya tentang keamanan layanan AI, lihat Mengautentikasi permintaan ke layanan Azure AI.

Untuk mengatur variabel lingkungan untuk kunci sumber daya Kecerdasan Dokumen Anda, buka jendela konsol, dan ikuti instruksi untuk sistem operasi dan lingkungan pengembangan Anda. Ganti <YourKey> dan <yourEndpoint> dengan nilai dari sumber daya Anda di portal Azure.

Windows

Variabel lingkungan di Windows tidak peka huruf besar/kecil. Mereka biasanya dideklarasikan dalam huruf besar, dengan kata-kata yang digabungkan dengan garis bawah. Pada prompt perintah, jalankan perintah berikut:

1. Atur variabel kunci Anda:

   setx DI_KEY <yourKey>
   

2. Mengatur variabel titik akhir Anda

   setx DI_ENDPOINT <yourEndpoint>
   

3. Tutup jendela Prompt Perintah setelah Anda mengatur variabel lingkungan Anda. Nilai tetap ada sampai Anda mengubahnya lagi.

4. Mulai ulang program yang sedang berjalan yang membaca variabel lingkungan. Misalnya, jika Anda menggunakan Visual Studio atau Visual Studio Code sebagai editor, mulai ulang sebelum menjalankan kode sampel.

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
setx VARIABLE_NAME=	Hapus variabel lingkungan dengan mengatur nilai ke string kosong.	setx DI_KEY=
setx VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Menampilkan nilai variabel lingkungan tertentu.	set DI_KEY
set	Tampilkan semua variabel lingkungan.	set

macOS

Variabel lingkungan di macOS peka huruf besar/kecil. Secara konvensional, nama variabel dideklarasikan dalam huruf besar.

Perintah export mengatur variabel dan mengekspornya ke lingkungan global, yang tersedia untuk proses lain. Namun, nilainya bersifat sementara dan hanya berlangsung sampai Anda menutup sesi terminal. Buka terminal Anda dan masukkan perintah berikut:

1. Atur variabel kunci Anda:

   export key=<yourKey>
   

2. Atur variabel titik akhir Anda:

   export endpoint=<yourEndpoint>
   

Untuk mengatur variabel lingkungan secara permanen, tempatkan perintah ekspor di skrip startup Bash ~/.bash_profile Anda:

1. Gunakan editor teks untuk membuka file ~/.bash_profile dan tambahkan perintah berikut untuk membuat variabel lingkungan permanen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Contoh: export DI_KEY="<yourKey>"

2. Simpan perubahan Anda ke file bash_profile .

3. Untuk membuat perubahan efektif, jalankan perintah berikut dari jendela terminal Anda:

   source ~/.bash-profile
   

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
unset VARIABLE_NAME	Menghapus variabel lingkungan.	unset DI_KEY
export VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan sementara.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Menampilkan nilai variabel lingkungan tertentu. echo Dengan perintah , awali variabel dengan $.	printenv DI_KEY echo $DI_KEY
printenv	Tampilkan semua variabel lingkungan.	printenv

Linux

Variabel lingkungan di Linux peka huruf besar/kecil. Secara konvensional, nama variabel dideklarasikan dalam huruf besar.

Perintah export mengatur variabel dan mengekspornya ke lingkungan global, yang tersedia untuk proses lain. Namun, nilainya bersifat sementara dan hanya berlangsung sampai Anda menutup sesi terminal:

1. Atur variabel kunci Anda:

   export DI_KEY=<yourKey>
   

2. Atur variabel titik akhir Anda:

   export DI_ENDPOINT=<yourEndpoint>
   

Untuk mengatur variabel lingkungan secara permanen, tempatkan perintah ekspor di skrip startup Bash ~/.bashrc Anda:

1. Gunakan editor teks untuk membuka file ~/.bashrc dan tambahkan perintah berikut untuk membuat variabel lingkungan permanen:

   export <VARIABLE>=<value>
   

   Contoh: export DI_KEY=<yourKey>

2. Simpan perubahan Anda ke file .bashrc .

3. Untuk membuat perubahan efektif, jalankan perintah berikut dari jendela terminal Anda:

   source ~/.bashrc
   

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
unset VARIABLE_NAME	Menghapus variabel lingkungan.	unset DI_KEY=
export VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan sementara.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Menampilkan nilai variabel lingkungan. echo Dengan perintah , awali variabel dengan $.	printenv DI_KEY echo $DI_KEY
printenv	Tampilkan semua variabel lingkungan.	printenv

Menyiapkan lingkungan pemrograman Anda

Buat aplikasi Node.js Express.

1. Di jendela konsol, buat dan navigasikan ke direktori baru untuk aplikasi Anda bernama doc-intel-app.

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

2. Jalankan perintah npm init untuk menginisialisasi aplikasi dan merancang proyek Anda.

   npm init
   

3. Tentukan atribut proyek Anda menggunakan petunjuk yang disajikan di terminal.

   • Atribut yang paling penting adalah nama, nomor versi, dan titik masuk.
   • Kami sarankan Anda menyimpan index.js untuk nama titik masuk. Deskripsi, perintah pengujian, repositori GitHub, kata kunci, penulis, dan informasi lisensi adalah atribut opsional. Anda dapat melewatinya untuk proyek ini.
   • Pilih Enter untuk menerima saran dalam tanda kurung.

   Setelah Anda menyelesaikan perintah, perintah membuat package.json file di direktori doc-intel-app Anda.

4. Memasang pustaka klien ai-document-intelligence dan paket npm azure/identity:

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

File package.json aplikasi Anda diperbarui dengan dependensi.

1. Buat file bernama index.js di direktori aplikasi.

   Tip

   Anda dapat membuat file baru dengan menggunakan PowerShell. Buka jendela PowerShell di direktori proyek Anda dengan menahan tombol Shift dan mengklik kanan folder, lalu ketik perintah berikut: Item Baru index.js.

Bangun aplikasi Anda

Untuk berinteraksi dengan layanan Kecerdasan Dokumen, Anda perlu membuat instans DocumentIntelligenceClient kelas. Untuk melakukannya, Anda membuat AzureKeyCredential dengan kunci Anda dari portal Azure dan DocumentIntelligenceClient instans dengan AzureKeyCredential dan titik akhir Kecerdasan Dokumen Anda.

index.js Buka file di Visual Studio Code atau IDE favorit Anda dan pilih salah satu sampel kode berikut dan salin/tempel ke aplikasi Anda:

• Model baca bawaan adalah inti dari semua model Kecerdasan Dokumen dan dapat mendeteksi baris, kata, lokasi, dan bahasa. Tata letak, dokumen umum, bawaan, dan model kustom semuanya menggunakan read model sebagai fondasi untuk mengekstrak teks dari dokumen.
• Model tata letak bawaan mengekstrak lokasi teks dan teks, tabel, tanda pilihan, dan informasi struktur dari dokumen dan gambar.
• Model prebuilt-tax.us.w2 mengekstrak informasi yang dilaporkan pada formulir pajak Layanan Pendapatan Internal AS (IRS).
• Model faktur bawaan mengekstrak informasi yang dilaporkan pada formulir pajak Layanan Pendapatan Internal AS.
• Model tanda terima bawaan mengekstrak informasi utama dari tanda terima penjualan cetak dan tulisan tangan.
• Model prebuilt-idDocument mengekstrak informasi utama dari SIM AS; halaman biografi paspor internasional; ID negara bagian AS; kartu jaminan sosial; dan kartu penduduk permanen.

Menggunakan model Baca

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);
});

Kunjungi repositori sampel Azure di GitHub dan lihat read output model.

Menggunakan model Tata Letak

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);
  });

Kunjungi repositori sampel Azure di GitHub dan lihat output model tata letak.

Menggunakan model dokumen Umum

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);
});

Kunjungi repositori sampel Azure di GitHub dan lihat output model dokumen umum.

Menggunakan model pajak W-2

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);
});

Kunjungi repositori sampel Azure di GitHub dan lihat output model pajak W-2.

Menggunakan model Faktur

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);
});

Kunjungi repositori sampel Azure di GitHub dan lihat output model faktur.

Menggunakan model Tanda Terima

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);
});

Kunjungi repositori sampel Azure di GitHub dan lihat output model tanda terima.

Menggunakan model dokumen ID

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);
});

Kunjungi repositori sampel Azure di GitHub dan lihat output model dokumen ID.

Referensi SDK | pustaka |klien Paket referensi | REST API (PyPi) | Sampel Versi REST API yang Didukung |

Prasyarat

• Langganan Azure - Buat langganan gratis.

• Python 3.7 atau yang lebih baru. Penginstalan Python Anda harus menyertakan pip. Anda dapat memeriksa apakah Anda telah menginstal pip dengan menjalankan pip --version pada baris perintah. Dapatkan pip dengan menginstal versi terbaru Python.

• Versi terbaru dari Visual Studio Code atau IDE pilihan Anda. Lihat Memulai Python di Visual Studio Code.

• Layanan Azure AI atau sumber daya Kecerdasan Dokumen. Membuat layanan tunggal atau multi-layanan. Anda dapat menggunakan tingkat harga gratis (F0) untuk percobaan, lalu meningkatkannya ke tingkat berbayar untuk produksi.

• Kunci dan titik akhir dari sumber daya yang Anda buat untuk menyambungkan aplikasi Anda ke layanan Azure Document Intelligence.

  1. Setelah sumber daya Anda disebarkan, pilih Buka sumber daya.
  2. Di menu navigasi kiri, pilih Kunci dan Titik Akhir.
  3. Salin salah satu kunci dan Titik Akhir untuk digunakan nanti di artikel ini.

  

• File dokumen di URL. Untuk proyek ini, Anda dapat menggunakan formulir sampel yang disediakan dalam tabel berikut untuk setiap fitur:

  Fitur	modelID	document-url
  Model Baca	baca bawaan	Brosur sampel
  Model tata letak	prebuilt-layout	Contoh konfirmasi pemesanan
  Model formulir W-2	prebuilt-tax.us.w2	Contoh formulir W-2
  Model faktur	Faktur Bawaan	Sampel faktur
  Model tanda terima	tanda terima bawaan	Sampel tanda terima
  Model dokumen ID	prebuilt-idDocument	Sampel dokumen ID

Mengatur variabel lingkungan Anda

Untuk berinteraksi dengan layanan Kecerdasan Dokumen, Anda perlu membuat instans DocumentAnalysisClient kelas. Untuk melakukannya, buat instans klien dengan Anda key dan endpoint dari portal Azure. Untuk proyek ini, gunakan variabel lingkungan untuk menyimpan dan mengakses kredensial.

Penting

Jika Anda menggunakan kunci API, simpan dengan aman di tempat lain, seperti di Azure Key Vault. Jangan sertakan kunci API langsung dalam kode Anda, dan jangan pernah mempostingnya secara publik.

Untuk informasi selengkapnya tentang keamanan layanan AI, lihat Mengautentikasi permintaan ke layanan Azure AI.

Untuk mengatur variabel lingkungan untuk kunci sumber daya Kecerdasan Dokumen Anda, buka jendela konsol, dan ikuti instruksi untuk sistem operasi dan lingkungan pengembangan Anda. Ganti <YourKey> dan <yourEndpoint> dengan nilai dari sumber daya Anda di portal Azure.

Windows

Variabel lingkungan di Windows tidak peka huruf besar/kecil. Mereka biasanya dideklarasikan dalam huruf besar, dengan kata-kata yang digabungkan dengan garis bawah. Pada prompt perintah, jalankan perintah berikut:

1. Atur variabel kunci Anda:

   setx DI_KEY <yourKey>
   

2. Mengatur variabel titik akhir Anda

   setx DI_ENDPOINT <yourEndpoint>
   

3. Tutup jendela Prompt Perintah setelah Anda mengatur variabel lingkungan Anda. Nilai tetap ada sampai Anda mengubahnya lagi.

4. Mulai ulang program yang sedang berjalan yang membaca variabel lingkungan. Misalnya, jika Anda menggunakan Visual Studio atau Visual Studio Code sebagai editor, mulai ulang sebelum menjalankan kode sampel.

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
setx VARIABLE_NAME=	Hapus variabel lingkungan dengan mengatur nilai ke string kosong.	setx DI_KEY=
setx VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Menampilkan nilai variabel lingkungan tertentu.	set DI_KEY
set	Tampilkan semua variabel lingkungan.	set

macOS

Variabel lingkungan di macOS peka huruf besar/kecil. Secara konvensional, nama variabel dideklarasikan dalam huruf besar.

Perintah export mengatur variabel dan mengekspornya ke lingkungan global, yang tersedia untuk proses lain. Namun, nilainya bersifat sementara dan hanya berlangsung sampai Anda menutup sesi terminal. Buka terminal Anda dan masukkan perintah berikut:

1. Atur variabel kunci Anda:

   export key=<yourKey>
   

2. Atur variabel titik akhir Anda:

   export endpoint=<yourEndpoint>
   

Untuk mengatur variabel lingkungan secara permanen, tempatkan perintah ekspor di skrip startup Bash ~/.bash_profile Anda:

1. Gunakan editor teks untuk membuka file ~/.bash_profile dan tambahkan perintah berikut untuk membuat variabel lingkungan permanen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Contoh: export DI_KEY="<yourKey>"

2. Simpan perubahan Anda ke file bash_profile .

3. Untuk membuat perubahan efektif, jalankan perintah berikut dari jendela terminal Anda:

   source ~/.bash-profile
   

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
unset VARIABLE_NAME	Menghapus variabel lingkungan.	unset DI_KEY
export VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan sementara.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Menampilkan nilai variabel lingkungan tertentu. echo Dengan perintah , awali variabel dengan $.	printenv DI_KEY echo $DI_KEY
printenv	Tampilkan semua variabel lingkungan.	printenv

Linux

Variabel lingkungan di Linux peka huruf besar/kecil. Secara konvensional, nama variabel dideklarasikan dalam huruf besar.

Perintah export mengatur variabel dan mengekspornya ke lingkungan global, yang tersedia untuk proses lain. Namun, nilainya bersifat sementara dan hanya berlangsung sampai Anda menutup sesi terminal:

1. Atur variabel kunci Anda:

   export DI_KEY=<yourKey>
   

2. Atur variabel titik akhir Anda:

   export DI_ENDPOINT=<yourEndpoint>
   

Untuk mengatur variabel lingkungan secara permanen, tempatkan perintah ekspor di skrip startup Bash ~/.bashrc Anda:

1. Gunakan editor teks untuk membuka file ~/.bashrc dan tambahkan perintah berikut untuk membuat variabel lingkungan permanen:

   export <VARIABLE>=<value>
   

   Contoh: export DI_KEY=<yourKey>

2. Simpan perubahan Anda ke file .bashrc .

3. Untuk membuat perubahan efektif, jalankan perintah berikut dari jendela terminal Anda:

   source ~/.bashrc
   

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
unset VARIABLE_NAME	Menghapus variabel lingkungan.	unset DI_KEY=
export VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan sementara.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Menampilkan nilai variabel lingkungan. echo Dengan perintah , awali variabel dengan $.	printenv DI_KEY echo $DI_KEY
printenv	Tampilkan semua variabel lingkungan.	printenv

Menyiapkan lingkungan pemrograman Anda

Buka jendela konsol di lingkungan lokal Anda dan instal pustaka klien Azure AI Document Intelligence untuk Python dengan pip:

pip install azure-ai-documentintelligence==1.0.0b4

Membuat aplikasi Python Anda

Untuk berinteraksi dengan layanan Kecerdasan Dokumen, Anda perlu membuat instans DocumentIntelligenceClient kelas. Untuk melakukannya, Anda membuat AzureKeyCredential dengan kunci Anda dari portal Azure dan DocumentIntelligenceClient instans dengan AzureKeyCredential dan titik akhir Kecerdasan Dokumen Anda.

1. Buat file Python baru yang disebut form_recognizer_quickstart.py di editor atau IDE.

2. Buka file form_recognizer_quickstart.py dan pilih salah satu sampel kode berikut dan salin/tempel ke aplikasi Anda:

   • Model baca bawaan adalah inti dari semua model Kecerdasan Dokumen dan dapat mendeteksi baris, kata, lokasi, dan bahasa. Tata letak, dokumen umum, bawaan, dan model kustom semuanya menggunakan read model sebagai fondasi untuk mengekstrak teks dari dokumen.
   • Model tata letak bawaan mengekstrak lokasi teks dan teks, tabel, tanda pilihan, dan informasi struktur dari dokumen dan gambar.
   • Model prebuilt-tax.us.w2 mengekstrak informasi yang dilaporkan pada formulir pajak Layanan Pendapatan Internal AS (IRS).
   • Model faktur bawaan mengekstrak bidang kunci dan item baris dari faktur penjualan dalam berbagai format.
   • Model tanda terima bawaan mengekstrak informasi utama dari tanda terima penjualan cetak dan tulisan tangan.
   • Model prebuilt-idDocument mengekstrak informasi utama dari SIM AS; halaman biografi paspor internasional; ID negara bagian AS; kartu jaminan sosial; dan kartu penduduk permanen.

3. Jalankan kode Python dari prompt perintah.

   python form_recognizer_quickstart.py
   

Menggunakan model Baca

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

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

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


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


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

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

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

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

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

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

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

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

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

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

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

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


if __name__ == "__main__":
    analyze_read()

Lihat kode lengkap di GitHub. Sampel lainnya

Kunjungi repositori sampel Azure di GitHub dan lihat read output model.

Menggunakan model Tata Letak

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


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


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

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

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

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

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

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

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

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

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

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



if __name__ == "__main__":
    analyze_layout()

Lihat kode lengkap di GitHub. Sampel lainnya

Kunjungi repositori sampel Azure di GitHub dan lihat output model tata letak.

Menggunakan model pajak W-2

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

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

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


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

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

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

    w2s: AnalyzeResult =  poller.result()

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


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


if __name__ == "__main__":
    analyze_tax_us_w2()

Lihat kode lengkap di GitHub. Sampel lainnya

Kunjungi repositori sampel Azure di GitHub dan lihat output model pajak W-2.

Menggunakan model Faktur

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

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

def analyze_invoice():

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

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

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

    result: AnalyzeResult = poller.result()

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


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

if __name__ == "__main__":
    analyze_invoice()

Lihat kode lengkap di GitHub. Sampel lainnya

Kunjungi repositori sampel Azure di GitHub dan lihat output model faktur.

Menggunakan model Tanda Terima

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

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

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

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

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



if __name__ == "__main__":
    analyze_receipts()

Lihat kode lengkap di GitHub. Sampel lainnya

Kunjungi repositori sampel Azure di GitHub dan lihat output model tanda terima.

Menggunakan model dokumen ID

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

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

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

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

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

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


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

if __name__ == "__main__":
    analyze_identity_documents()

Lihat kode lengkap di GitHub. Sampel lainnya

Kunjungi repositori sampel Azure di GitHub dan lihat output model dokumen ID.

Catatan

Proyek ini menggunakan alat baris perintah cURL untuk menjalankan panggilan REST API.

| Rest API | Kecerdasan Dokumen didukung Azure SDKS

Prasyarat

• Langganan Azure - Buat langganan gratis.

• Alat baris perintah cURL terinstal. Windows 10 dan Windows 11 dikirim dengan salinan cURL. Pada prompt perintah, ketik perintah cURL berikut. Jika opsi bantuan ditampilkan, cURL diinstal di lingkungan Windows Anda.

  curl -help
  

  Jika cURL tidak diinstal, Anda bisa mendapatkannya di sini:

  • Windows
  • Mac atau Linux

• Layanan Azure AI atau sumber daya Kecerdasan Dokumen. Membuat layanan tunggal atau multi-layanan. Anda dapat menggunakan tingkat harga gratis (F0) untuk percobaan, lalu meningkatkannya ke tingkat berbayar untuk produksi.

• Kunci dan titik akhir dari sumber daya yang Anda buat untuk menyambungkan aplikasi Anda ke layanan Azure Document Intelligence.

  1. Setelah sumber daya Anda disebarkan, pilih Buka sumber daya.
  2. Di menu navigasi kiri, pilih Kunci dan Titik Akhir.
  3. Salin salah satu kunci dan Titik Akhir untuk digunakan nanti di artikel ini.

  

Mengatur variabel lingkungan Anda

Untuk berinteraksi dengan layanan Kecerdasan Dokumen, Anda perlu membuat instans DocumentAnalysisClient kelas. Untuk melakukannya, buat instans klien dengan Anda key dan endpoint dari portal Azure. Untuk proyek ini, gunakan variabel lingkungan untuk menyimpan dan mengakses kredensial.

Penting

Jika Anda menggunakan kunci API, simpan dengan aman di tempat lain, seperti di Azure Key Vault. Jangan sertakan kunci API langsung dalam kode Anda, dan jangan pernah mempostingnya secara publik.

Untuk informasi selengkapnya tentang keamanan layanan AI, lihat Mengautentikasi permintaan ke layanan Azure AI.

Untuk mengatur variabel lingkungan untuk kunci sumber daya Kecerdasan Dokumen Anda, buka jendela konsol, dan ikuti instruksi untuk sistem operasi dan lingkungan pengembangan Anda. Ganti <YourKey> dan <yourEndpoint> dengan nilai dari sumber daya Anda di portal Azure.

Windows

Variabel lingkungan di Windows tidak peka huruf besar/kecil. Mereka biasanya dideklarasikan dalam huruf besar, dengan kata-kata yang digabungkan dengan garis bawah. Pada prompt perintah, jalankan perintah berikut:

1. Atur variabel kunci Anda:

   setx DI_KEY <yourKey>
   

2. Mengatur variabel titik akhir Anda

   setx DI_ENDPOINT <yourEndpoint>
   

3. Tutup jendela Prompt Perintah setelah Anda mengatur variabel lingkungan Anda. Nilai tetap ada sampai Anda mengubahnya lagi.

4. Mulai ulang program yang sedang berjalan yang membaca variabel lingkungan. Misalnya, jika Anda menggunakan Visual Studio atau Visual Studio Code sebagai editor, mulai ulang sebelum menjalankan kode sampel.

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
setx VARIABLE_NAME=	Hapus variabel lingkungan dengan mengatur nilai ke string kosong.	setx DI_KEY=
setx VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Menampilkan nilai variabel lingkungan tertentu.	set DI_KEY
set	Tampilkan semua variabel lingkungan.	set

macOS

Variabel lingkungan di macOS peka huruf besar/kecil. Secara konvensional, nama variabel dideklarasikan dalam huruf besar.

Perintah export mengatur variabel dan mengekspornya ke lingkungan global, yang tersedia untuk proses lain. Namun, nilainya bersifat sementara dan hanya berlangsung sampai Anda menutup sesi terminal. Buka terminal Anda dan masukkan perintah berikut:

1. Atur variabel kunci Anda:

   export key=<yourKey>
   

2. Atur variabel titik akhir Anda:

   export endpoint=<yourEndpoint>
   

Untuk mengatur variabel lingkungan secara permanen, tempatkan perintah ekspor di skrip startup Bash ~/.bash_profile Anda:

1. Gunakan editor teks untuk membuka file ~/.bash_profile dan tambahkan perintah berikut untuk membuat variabel lingkungan permanen:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Contoh: export DI_KEY="<yourKey>"

2. Simpan perubahan Anda ke file bash_profile .

3. Untuk membuat perubahan efektif, jalankan perintah berikut dari jendela terminal Anda:

   source ~/.bash-profile
   

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
unset VARIABLE_NAME	Menghapus variabel lingkungan.	unset DI_KEY
export VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan sementara.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Menampilkan nilai variabel lingkungan tertentu. echo Dengan perintah , awali variabel dengan $.	printenv DI_KEY echo $DI_KEY
printenv	Tampilkan semua variabel lingkungan.	printenv

Linux

Variabel lingkungan di Linux peka huruf besar/kecil. Secara konvensional, nama variabel dideklarasikan dalam huruf besar.

Perintah export mengatur variabel dan mengekspornya ke lingkungan global, yang tersedia untuk proses lain. Namun, nilainya bersifat sementara dan hanya berlangsung sampai Anda menutup sesi terminal:

1. Atur variabel kunci Anda:

   export DI_KEY=<yourKey>
   

2. Atur variabel titik akhir Anda:

   export DI_ENDPOINT=<yourEndpoint>
   

Untuk mengatur variabel lingkungan secara permanen, tempatkan perintah ekspor di skrip startup Bash ~/.bashrc Anda:

1. Gunakan editor teks untuk membuka file ~/.bashrc dan tambahkan perintah berikut untuk membuat variabel lingkungan permanen:

   export <VARIABLE>=<value>
   

   Contoh: export DI_KEY=<yourKey>

2. Simpan perubahan Anda ke file .bashrc .

3. Untuk membuat perubahan efektif, jalankan perintah berikut dari jendela terminal Anda:

   source ~/.bashrc
   

Berikut adalah beberapa perintah yang lebih bermanfaat untuk digunakan dengan variabel lingkungan:

Perintah	Perbuatan	Contoh
unset VARIABLE_NAME	Menghapus variabel lingkungan.	unset DI_KEY=
export VARIABLE_NAME=value	Atur atau ubah nilai variabel lingkungan sementara.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Menampilkan nilai variabel lingkungan. echo Dengan perintah , awali variabel dengan $.	printenv DI_KEY echo $DI_KEY
printenv	Tampilkan semua variabel lingkungan.	printenv

Menganalisis dokumen dan mendapatkan hasil

Permintaan POST digunakan untuk menganalisis dokumen dengan model bawaan ataupun kustom. Permintaan GET digunakan untuk mengambil hasil panggilan dari analisis dokumen. modelId digunakan bersama POST dan resultId dengan operasi GET.

Gunakan tabel berikut sebagai referensi. Ganti <modelId> dan <document-url> dengan nilai yang Anda inginkan:

Model	modelId	description	document-url
Model Baca	baca bawaan	Brosur sampel	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/read.png
Model tata letak	prebuilt-layout	Contoh konfirmasi pemesanan	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/layout.png
Model formulir W-2	prebuilt-tax.us.w2	Contoh formulir W-2	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png
Model faktur	Faktur Bawaan	Sampel faktur	https://github.com/Azure-Samples/cognitive-services-REST-api-samples/raw/master/curl/form-recognizer/rest-api/invoice.pdf
Model tanda terima	tanda terima bawaan	Sampel tanda terima	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/receipt.png
Model dokumen ID	prebuilt-idDocument	Sampel dokumen ID	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png

Permintaan POST

Buka jendela konsol dan jalankan perintah cURL berikut. Perintah ini mencakup variabel lingkungan titik akhir dan kunci yang sebelumnya dibuat di bagian set variabel lingkungan. Ganti variabel tersebut jika nama variabel Anda berbeda. Ingatlah untuk mengganti parameter modelId> dan< document-url>.<

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

Untuk mengaktifkan kemampuan add-on, gunakan features parameter kueri dalam permintaan POST. Ada empat kemampuan add-on yang tersedia dengan 2023-07-31 rilis (GA) dan yang lebih baru: ocr.highResolution, ocr.formula, ocr.font, dan queryFields.premium. Untuk mempelajari selengkapnya tentang setiap kemampuan, lihat Model kustom.

Anda hanya dapat memanggil kemampuan highResolution, rumus, dan font untuk model Baca dan Tata Letak, dan kemampuan queryFields untuk model Dokumen Umum. Contoh berikut menunjukkan cara memanggil kemampuan highResolution, rumus, dan font untuk model Tata Letak.

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

Respons POST

Anda menerima 202 (Success) respons yang menyertakan Operation-location header. Gunakan nilai header ini untuk mengambil hasil respons.

Dapatkan hasil analisis (Permintaan GET)

Setelah Anda memanggil Analyze document API, panggil API [Get analyze result}(/rest/api/aiservices/document-models/get-analyze-result?view=rest-aiservices-2024-02-29-preview&preserve-view=true&tabs=HTTP) untuk mendapatkan status operasi dan data yang diekstrak.

Alat baris perintah cURL tidak memformat respons API yang berisi konten JSON, yang dapat membuat konten sulit dibaca. Untuk memformat respons JSON, sertakan karakter pipa diikuti dengan alat pemformatan JSON dengan permintaan GET Anda.

Windows

Gunakan alat json NodeJS sebagai formatter JSON untuk cURL. Jika Anda belum menginstal Node.js , unduh dan instal versi terbaru.

1. Buka jendela konsol dan instal alat json dengan menggunakan perintah berikut:

   npm install -g jsontool
   

2. Cetak output JSON dengan menyertakan karakter | json pipa dengan permintaan GET Anda.

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

macOS

Alat perintah json_pp dikirim dengan macOS dan dapat digunakan sebagai formatter JSON untuk cURL.

• Cetak output JSON dengan menyertakan | json_pp dengan permintaan GET Anda.

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

Linux

Alat baris perintah json_pp telah diinstal sebelumnya di sebagian besar distribusi Linux. Jika tidak disertakan, Anda dapat menggunakan manajer paket distribusi untuk menginstalnya.

• Cetak output JSON dengan menyertakan | json_pp dengan permintaan Anda GET .

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

Permintaan GET

Sebelum Anda menjalankan perintah berikut, buat perubahan ini:

• Ganti <respons> POST dengan Operation-location header dari respons POST.
• Ganti <DI_KEY dengan variabel untuk variabel lingkungan Anda jika berbeda dari nama dalam kode.
• Ganti *<json-tool> dengan alat pemformatan JSON Anda.

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

Periksa responsnya

Anda menerima 200 (Success) respons dengan output JSON. Bidang pertama, status, menunjukkan status operasi. Jika operasi tidak selesai, nilainya status adalah running atau notStarted. Panggil API lagi, baik secara manual atau melalui skrip. Kami merekomendasikan interval satu detik atau lebih di antara panggilan.

Kunjungi repositori sampel Azure di GitHub untuk melihat GET respons untuk setiap model Kecerdasan Dokumen:

Model	Output URL
Model Baca	Membaca output model
Model tata letak	Output model tata letak
Model pajak W-2	Output model pajak W-2
Model faktur	Output model faktur
Model tanda terima	Output model tanda terima
Model dokumen ID	Output model dokumen ID

Langkah berikutnya

Selamat! Anda belajar menggunakan model Kecerdasan Dokumen untuk menganalisis berbagai dokumen dengan cara yang berbeda. Selanjutnya, jelajahi Studio Kecerdasan Dokumen dan dokumentasi referensi.

Coba Document Intelligence Studio Jelajahi REST API Kecerdasan Dokumen