Modello di layout di Informazioni sui documenti

Importante

• Le versioni di anteprima pubblica di Informazioni sui documenti consentono l'accesso anticipato alle funzionalità in fase di sviluppo attivo.
• Le funzionalità, gli approcci e i processi possono cambiare prima della disponibilità generale, a seconda del feedback degli utenti.
• Per impostazione predefinita, la versione di anteprima pubblica delle librerie client di Informazioni sui documenti è la versione dell'API REST 29-02-2024-anteprima.
• La versione di anteprima pubblica 29-02-2024-anteprima è al momento disponibile solo nelle aree di Azure seguenti:
• Stati Uniti orientali
• Stati Uniti occidentali 2
• Europa occidentale

Questo contenuto si applica a: v4.0 (anteprima) | Versioni precedenti: v3.1 (disponibilità generale) v3.0 (disponibilità generale) v2.1 (disponibilità generale)

Il modello di layout di Informazioni sui documenti è un’API avanzata di analisi dei documenti basata sull’apprendimento automatico disponibile nel cloud di Informazioni sui documenti. Consente di acquisire documenti in diversi formati e restituire le relative rappresentazioni strutturate dei dati. Combina potenti funzionalità di riconoscimento ottico dei caratteri (OCR) con modelli di Deep Learning per estrarre testo, tabelle, segni di selezione e struttura dei documenti.

Analisi del layout di documenti

L'analisi del layout della struttura di documenti è il processo di analisi di un documento per estrarre aree di interesse e relative relazioni. L'obiettivo è estrarre testo ed elementi strutturali dalla pagina per creare modelli di comprensione semantica migliori. Esistono due tipi di ruoli in un layout di documento:

• Ruoli geometrici: testo, tabelle, figure e segni di selezione sono esempi di ruoli geometrici.
• Ruoli logici: titoli, intestazioni e piè di pagina sono esempi di ruoli logici di testi.

La figura seguente mostra i componenti tipici di un'immagine di una pagina di esempio.

Opzioni di sviluppo

Informazioni sui documenti v4.0 (29-02-2024-anteprima, 31-10-2023-anteprima) supporta gli strumenti, le applicazioni e le librerie seguenti:

Funzionalità	Risorse	Model ID
Modello di layout	• Informazioni sui documenti di Studio • API REST • C# SDK • SDK Python • SDK Java • SDK JavaScript	prebuilt-layout

Requisiti di input

• Per risultati ottimali, fornire una foto chiara o una scansione di alta qualità per ogni documento.

• Formati di file supportati:

  Modello	PDF	Immagine: JPEG/JPG, PNG, BMP, TIFF, HEIF	Microsoft Office: Word (DOCX), Excel (XLSX), PowerPoint (PPTX) e HTML
  Lettura	✔	✔	✔
  Layout	✔	✔	✔ (29-02-2024-anteprima, 31-10-2023-anteprima)
  Documento generale	✔	✔
  Predefinito	✔	✔
  Estrazione personalizzata	✔	✔
  Classificazione personalizzata	✔	✔	✔ (29-02-2024-anteprima)

• Per i formati PDF e TIFF, possono essere elaborate fino a 2000 pagine (con una sottoscrizione di livello gratuito, vengono elaborate solo le prime due pagine).

• La dimensione del file per l'analisi dei documenti è di 500 MB per il livello a pagamento (S0) e 4 MB per il livello gratuito (F0).

• Per le immagini, le dimensioni devono essere comprese tra 50 x 50 pixel e 10.000 x 10.000 pixel.

• Se i file PDF sono bloccati da password, è necessario rimuovere il blocco prima dell'invio.

• L'altezza minima del testo da estrarre è di 12 pixel per un'immagine 1024 x 768 pixel. Queste dimensioni corrispondono approssimativamente a un testo con dimensioni di 8 punti e 150 punti per pollice (DPI).

• Per il training di modelli personalizzati, il numero massimo di pagine per i dati di training è 500 per il modello personalizzato e 50.000 per il modello neurale personalizzato.

  • Per il training di modelli di estrazione personalizzati, le dimensioni totali dei dati di training sono di 50 MB per il modello e 1G MB per il modello neurale.

  • Per il training del modello di classificazione personalizzato, le dimensioni totali dei dati di training sono 1GB con un massimo di 10.000 pagine.

Introduzione al modello di layout

Vedere in che modo i dati, tra cui testo, tabelle, intestazioni di tabella, segni di selezione e informazioni sulla struttura vengono estratti dai documenti tramite Informazioni sui documenti. Sono necessarie le risorse seguenti:

• Sottoscrizione di Azure: è possibile crearne una gratuitamente.

• Istanza di Informazioni sui documenti nel portale di Azure. Per provare il servizio, è possibile usare il piano tariffario gratuito (F0). Dopo la distribuzione della risorsa, selezionare Vai alla risorsa per recuperare la chiave e l'endpoint.

Nota

Informazioni sui documenti di Studio è disponibile con le API v3.0 e versioni successive.

Documento di esempio elaborato con Informazioni sui documenti di Studio

1. Nella home page di Document Intelligence Studio selezionare Layout.

2. È possibile analizzare il documento di esempio o caricare i propri file.

3. Selezionare il pulsante Esegui analisi e, se necessario, configurare Analizza opzioni:

   

   Provare Informazioni sui documenti di Studio.

Lingue e impostazioni locali supportate

Vedere la pagina Lingue supportate - modelli di analisi dei documenti per un elenco completo delle lingue supportate.

Estrazione dei dati

Il modello di layout estrae testo, segni di selezione, tabelle, paragrafi e tipi di paragrafo (roles) dai documenti.

Nota

Le versioni 2024-02-29-preview, 2023-10-31-preview e successive supportano i file HTML e Microsoft Office (DOCX, XLSX, PPTX). Le funzionalità seguenti non sono supportate:

• Nessun angolo, larghezza/altezza e unità con ogni oggetto pagina.
• Per ogni oggetto rilevato, non è presente alcun poligono o area di delimitazione.
• L'intervallo di pagine (pages) non è supportato come parametro.
• Nessun oggetto lines.

Pagine

La raccolta di pagine è un elenco di pagine all'interno del documento. Ogni pagina viene rappresentata in sequenza all'interno del documento e include l'angolo di orientamento che indica se la pagina viene ruotata e la larghezza e l'altezza (dimensioni in pixel). Le unità di pagina nell'output del modello vengono calcolate come illustrato:

Formato file	Unità di pagina calcolata	Pagine totali
Immagini (JPEG/JPG, PNG, BMP, HEIF)	Ogni immagine = 1 unità di pagina	Totale immagini
PDF	Ogni pagina nel PDF = 1 unità di pagina	Totale pagine nel PDF
TIFF	Ogni immagine nel file TIFF = 1 unità di pagina	Totale immagini nel TIFF
Word (DOCX)	Fino a 3.000 caratteri = 1 unità di pagina, immagini incorporate o collegate non supportate	Totale pagine fino a 3.000 caratteri ciascuna
Excel (XLSX)	Ogni foglio di lavoro = 1 unità di pagina, immagini incorporate o collegate non supportate	Totale fogli di lavoro
PowerPoint (PPTX)	Ogni diapositiva = 1 unità di pagina, immagini incorporate o collegate non supportate	Diapositive totali
HTML	Fino a 3.000 caratteri = 1 unità di pagina, immagini incorporate o collegate non supportate	Totale pagine fino a 3.000 caratteri ciascuna

Codice di esempio

# Analyze pages.
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}")

Visualizzare esempi in GitHub.

Output

"pages": [
    {
        "pageNumber": 1,
        "angle": 0,
        "width": 915,
        "height": 1190,
        "unit": "pixel",
        "words": [],
        "lines": [],
        "spans": []
    }
]

Estrarre pagine selezionate dai documenti

Per i documenti a più pagine di grandi dimensioni, usare il parametro di query pages per indicare numeri di pagina o intervalli di pagine specifici per l'estrazione di testo.

Paragrafi

Il modello Layout estrae tutti i blocchi identificati di testo nella raccolta paragraphs come oggetto di primo livello in analyzeResults. Ogni voce di questa raccolta rappresenta un blocco di testo e include il testo estratto come contente le coordinate del polygon delimitatore. Le informazioni span puntano al frammento di testo all'interno della proprietà di primo livello content che contiene il testo completo del documento.

"paragraphs": [
    {
        "spans": [],
        "boundingRegions": [],
        "content": "While healthcare is still in the early stages of its Al journey, we are seeing pharmaceutical and other life sciences organizations making major investments in Al and related technologies.\" TOM LAWRY | National Director for Al, Health and Life Sciences | Microsoft"
    }
]

Ruoli di paragrafo

La nuova funzionalità di rilevamento di oggetti pagina basata su apprendimento automatico estrare ruoli logici come titoli, intestazioni di sezione, intestazioni di pagina, piè di pagina e altro ancora. Il modello Layout di Informazioni sui documenti assegna determinati blocchi di testo nella raccolta paragraphs con il relativo ruolo o tipo specializzato previsto dal modello. È consigliabile usare i ruoli di paragrafo con documenti non strutturati per comprendere il layout del contenuto estratto per un'analisi semantica più completa. Sono supportati i ruoli di paragrafo seguenti:

Ruolo previsto	Descrizione	Tipi di file supportati
title	Le intestazioni principali nella pagina	pdf, image, docx, pptx, xlsx, html
sectionHeading	Una o più sottointestazioni nella pagina	pdf, image, docx, xlsx, html
footnote	Il testo nella parte inferiore della pagina	pdf, immagine
pageHeader	Il testo nel margine superiore della pagina	pdf, immagine, docx
pageFooter	Il testo nel margine inferiore della pagina	pdf, image, docx, pptx, xlsx, html
pageNumber	Numero pagina	pdf, immagine

{
    "paragraphs": [
                {
                    "spans": [],
                    "boundingRegions": [],
                    "role": "title",
                    "content": "NEWS TODAY"
                },
                {
                    "spans": [],
                    "boundingRegions": [],
                    "role": "sectionHeading",
                    "content": "Mirjam Nilsson"
                }
    ]
}

Testo, righe e parole

Il modello di layout di documenti di Informazioni sui documenti estrae testo in stile stampato e scritto a mano come lines e words. La raccolta styles include qualsiasi stile scritto a mano per le righe, se rilevato insieme agli intervalli che puntano al testo associato. Questa funzionalità si applica alle lingue scritte a mano supportate.

Per Microsoft Word, Excel, PowerPoint e HTML, le versioni di Informazioni sui documenti anteprima-2024-02-29 e il modello Layout anteprima 2023-10-31 estraggono tutto il testo incorporato così come è. I testi vengono estratti come parole e paragrafi. Le immagini incorporate non sono supportate.

Codice di esempio

# Analyze lines.
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}'"
    )

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

Visualizzare esempi in GitHub.

Output

"words": [
    {
        "content": "While",
        "polygon": [],
        "confidence": 0.997,
        "span": {}
    },
],
"lines": [
    {
        "content": "While healthcare is still in the early stages of its Al journey, we",
        "polygon": [],
        "spans": [],
    }
]

Stile scritto a mano per le righe di testo

La risposta include la classificazione di ogni riga di testo come stile di scrittura manuale o no, insieme a un punteggio di attendibilità. Per altre informazioni, Vedere supporto della lingua scritta a mano. L'esempio seguente mostra un frammento JSON.

"styles": [
{
    "confidence": 0.95,
    "spans": [
    {
        "offset": 509,
        "length": 24
    }
    "isHandwritten": true
    ]
}

Se si abilita la funzionalità di componente aggiuntivo tipo di carattere/stile, si ottiene anche il risultato del tipo di carattere/stile come parte dell'oggetto styles.

Opzioni di selezione

Il modello Layout estrae anche i segni di selezione dai documenti. I segni di selezione estratti vengono visualizzati all'interno della raccolta pages per ogni pagina. Includono il polygon delimitatore, confidence e lo state di selezione (selected/unselected). Viene incluso anche la rappresentazione del testo (ovvero, :selected: e :unselected) come indice iniziale (offset), oltre a length che fa riferimento alla proprietà di primo livello content contenente il testo completo del documento.

Codice di esempio

# Analyze selection marks.
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}"
        )

Visualizzare esempi in GitHub.

Output

{
    "selectionMarks": [
        {
            "state": "unselected",
            "polygon": [],
            "confidence": 0.995,
            "span": {
                "offset": 1421,
                "length": 12
            }
        }
    ]
}

Tabelle

L'estrazione di tabelle è un requisito fondamentale per l'elaborazione di documenti contenenti grandi volumi di dati in genere formattati come tabelle. Il modello Layout estrae le tabelle nella sezione pageResults dell'output JSON. Le informazioni delle tabelle estratte includono il numero di colonne e righe, l'intervallo di righe e l'intervallo di colonne. Ogni cella con il relativo poligono delimitatore viene restituita insieme a informazioni sull'area riconosciuta o meno come columnHeader. Il modello supporta l'estrazione di tabelle ruotate. Ogni cella di tabella contiene l'indice di riga e di colonna e le coordinate del poligono delimitatore. Per il testo delle celle, il modello restituisce le informazioni span contenenti l'indice iniziale (offset). Il modello restituisce anche length all'interno del contenuto di primo livello contenente il testo completo del documento.

Ecco alcuni fattori da considerare quando si usa la funzionalità di estrazione di Intelligence per documenti:

• I dati da estrarre vengono presentati come tabella e la struttura della tabella è significativa?

• Se non sono in formato tabella, i dati possono essere inseriti in una griglia bidimensionale?

• Le tabelle si estendono su più pagine? In tal caso, per evitare di dover etichettare tutte le pagine, dividere il PDF in pagine prima di inviarlo a Informazioni sui documenti. Dopo l'analisi, eseguire la post-elaborazione delle pagine in una singola tabella.

• Se si creano modelli personalizzati, fare riferimento a Etichettatura come tabelle. Le tabelle dinamiche hanno un numero variabile di righe per ogni colonna. Le tabelle fisse hanno un numero costante di righe per ogni colonna.

Nota

La tabella non è supportata se il file di input è XLSX.

Codice di esempio

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}")
        # Analyze cells.
        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}'")

Visualizzare esempi in GitHub.

Output

{
    "tables": [
        {
            "rowCount": 9,
            "columnCount": 4,
            "cells": [
                {
                    "kind": "columnHeader",
                    "rowIndex": 0,
                    "columnIndex": 0,
                    "columnSpan": 4,
                    "content": "(In millions, except earnings per share)",
                    "boundingRegions": [],
                    "spans": []
                    },
            ]
        }
    ]
}

Output in formato Markdown

L'API Layout può restituire il testo estratto in formato Markdown. Usare il outputContentFormat=markdown per specificare il formato di output in Markdown. Il contenuto Markdown viene restituito come parte della sezione content.

Codice di esempio

document_intelligence_client = DocumentIntelligenceClient(endpoint=endpoint, credential=AzureKeyCredential(key))
poller = document_intelligence_client.begin_analyze_document(
    "prebuilt-layout",
    AnalyzeDocumentRequest(url_source=url),
    output_content_format=ContentFormat.MARKDOWN,
)

Visualizzare esempi in GitHub.

Output

<!-- PageHeader="This is the header of the document." -->

This is title
===
# 1\. Text
Latin refers to an ancient Italic language originating in the region of Latium in ancient Rome.
# 2\. Page Objects
## 2.1 Table
Here's a sample table below, designed to be simple for easy understand and quick reference.
| Name | Corp | Remark |
| - | - | - |
| Foo | | |
| Bar | Microsoft | Dummy |
Table 1: This is a dummy table
## 2.2. Figure
<figure>
<figcaption>

Figure 1: Here is a figure with text
</figcaption>

![](figures/0)
<!-- FigureContent="500 450 400 400 350 250 200 200 200- Feb" -->
</figure>

# 3\. Others
Al Document Intelligence is an Al service that applies advanced machine learning to extract text, key-value pairs, tables, and structures from documents automatically and accurately:
 :selected:
clear
 :selected:
precise
 :unselected:
vague
 :selected:
coherent
 :unselected:
Incomprehensible
Turn documents into usable data and shift your focus to acting on information rather than compiling it. Start with prebuilt models or create custom models tailored to your documents both on premises and in the cloud with the Al Document Intelligence studio or SDK.  
Learn how to accelerate your business processes by automating text extraction with Al Document Intelligence. This webinar features hands-on demos for key use cases such as document processing, knowledge mining, and industry-specific Al model customization.
<!-- PageFooter="This is the footer of the document." -->
<!-- PageFooter="1 | Page" -->

Figure

Le figure (grafici, immagini) nei documenti svolgono un ruolo fondamentale nell'integrare e migliorare il contenuto testuale, fornendo rappresentazioni visive che facilitano la comprensione di informazioni complesse. L'oggetto figure rilevato dal modello Layout ha proprietà chiave come boundingRegions (le posizioni spaziali della figura nelle pagine del documento, inclusi il numero di pagina e le coordinate poligono che delineano il limite della figura), spans (dettaglia gli intervalli di testo correlati alla figura, specificando gli offset e le lunghezze all'interno del testo del documento. Questa connessione consente di associare la figura al relativo contesto testuale pertinente), elements (identificatori per elementi di testo o paragrafi all'interno del documento correlati o descrivere la figura) e caption se presente.

Codice di esempio

# Analyze figures.
if result.figures:                    
    for figures_idx,figures in enumerate(result.figures):
        print(f"Figure # {figures_idx} has the following spans:{figures.spans}")
        for region in figures.bounding_regions:
            print(f"Figure # {figures_idx} location on page:{region.page_number} is within bounding polygon '{region.polygon}'")                    

Visualizzare esempi in GitHub.

Output

{
    "figures": [
      {
        "boundingRegions": [],
        "spans": [],
        "elements": [
          "/paragraphs/15",
          ...
        ],
        "caption": {
          "content": "Here is a figure with some text",
          "boundingRegions": [],
          "spans": [],
          "elements": [
            "/paragraphs/15"
          ]
        }
      }
    ]
}

Sezioni

L'analisi gerarchica della struttura dei documenti è fondamentale per organizzare, comprendere ed elaborare documenti estesi. Questo approccio è fondamentale per segmentare semanticamente i documenti lunghi per migliorare la comprensione, facilitare la navigazione e migliorare il recupero delle informazioni. L'avvento della Retrieval Augmented Generation (RAG) in un documento di IA generativa sottolinea il significato dell'analisi gerarchica della struttura dei documenti. Il modello Layout supporta sezioni e sottosezioni nell'output, che identifica la relazione di sezioni e oggetti all'interno di ogni sezione. La struttura gerarchica viene mantenuta in elements di ogni sezione. È possibile usare output in formato Markdown per ottenere facilmente le sezioni e le sottosezioni in Markdown.

Codice di esempio

document_intelligence_client = DocumentIntelligenceClient(endpoint=endpoint, credential=AzureKeyCredential(key))
poller = document_intelligence_client.begin_analyze_document(
    "prebuilt-layout",
    AnalyzeDocumentRequest(url_source=url),
    output_content_format=ContentFormat.MARKDOWN,
)

Visualizzare esempi in GitHub.

Output

{
    "sections": [
      {
        "spans": [],
        "elements": [
          "/paragraphs/0",
          "/sections/1",
          "/sections/2",
          "/sections/5"
        ]
      },
...
}

Passaggi successivi

• Informazioni su come elaborare moduli e documenti personalizzati con Document Intelligence Studio.

• Completare un avvio rapido di Informazioni sui documenti e iniziare a creare un'applicazione per l'elaborazione di documenti nel linguaggio di sviluppo preferito.

• Trovare altri esempi in GitHub.