Document Intelligence-modellen gebruiken

Deze inhoud is van toepassing op:v4.0 (preview) | Vorige versies:v3.1 (GA)v3.0 (GA)v2.1 (GA)

In deze handleiding leert u hoe u Document Intelligence-modellen toevoegt aan uw toepassingen en werkstromen. Gebruik een programmeertaal-SDK van uw keuze of de REST API.

Azure AI Document Intelligence is een cloudgebaseerde Azure AI-service die machine learning gebruikt om belangrijke tekst- en structuurelementen uit documenten te extraheren. U wordt aangeraden de gratis service te gebruiken terwijl u de technologie leert. Houd er rekening mee dat het aantal gratis pagina's beperkt is tot 500 per maand.

Kies uit de volgende Document Intelligence-modellen en analyseer en extraheer gegevens en waarden uit formulieren en documenten:

• Het vooraf gedefinieerde model voor lezen vormt de kern van alle Document Intelligence-modellen en kan lijnen, woorden, locaties en talen detecteren. Indeling, algemeen document, vooraf samengestelde en aangepaste modellen maken allemaal gebruik van het model als basis voor het read extraheren van teksten uit documenten.

• Met het vooraf gedefinieerde model worden tekst- en tekstlocaties, tabellen, selectiemarkeringen en structuurinformatie uit documenten en afbeeldingen geëxtraheerd. U kunt sleutel-waardeparen extraheren met behulp van het indelingsmodel, waarbij de optionele queryreeksparameter features=keyValuePairs is ingeschakeld.

• Het vooraf samengestelde contractmodel haalt belangrijke informatie op uit contractuele overeenkomsten.

• Het prebuilt-healthInsuranceCard.us model extraheert belangrijke informatie uit amerikaanse gezondheidsverzekeringskaarten.

• Het model voor vooraf samengestelde belastingdocumentmodellen extraheert informatie die is gerapporteerd op Amerikaanse belastingformulieren.

• Het vooraf samengestelde factuurmodel extraheert sleutelvelden en regelitems uit verkoopfacturen in verschillende indelingen en kwaliteit. Velden omvatten door de telefoon vastgelegde afbeeldingen, gescande documenten en digitale PDF-bestanden.

• Het vooraf samengestelde ontvangstbewijsmodel extraheert belangrijke informatie uit afgedrukte en handgeschreven verkoopbevestigingen.

• Het vooraf samengestelde idDocument-model haalt belangrijke informatie op uit amerikaanse rijbewijs's, internationale biografische paspoortpagina's, Amerikaanse staats-id's, sociale beveiligingskaarten en permanente residente kaarten.

Vereisten

• Een Azure-abonnement: maak er gratis een.

• De Visual Studio IDE.

• Een Azure AI-services of Document Intelligence-resource. Maak een enkele service of meerdere services. U kunt de gratis prijscategorie (F0) gebruiken om de service uit te proberen, en later upgraden naar een betaalde laag voor productie.

• De sleutel en het eindpunt van de resource die u maakt om uw toepassing te verbinden met de Azure Document Intelligence-service.

  1. Nadat de resource is geïmplementeerd, selecteert u Ga naar de resource.
  2. Selecteer sleutels en eindpunt in het linkernavigatiemenu.
  3. Kopieer een van de sleutels en het eindpunt voor gebruik verderop in dit artikel.

  

• Een documentbestand op een URL-locatie. Voor dit project kunt u de voorbeeldformulieren in de volgende tabel gebruiken voor elke functie:

  Functie	modelID	document-URL
  Model lezen	vooraf gedefinieerde leesbewerking	Voorbeeldbrochure
  Indelingsmodel	vooraf gedefinieerde indeling	Voorbeeld van reserveringsbevestiging
  W-2-formuliermodel	prebuilt-tax.us.w2	Voorbeeld van W-2-formulier
  Factuurmodel	vooraf samengestelde factuur	Voorbeeldfactuur
  Ontvangstbewijsmodel	vooraf samengestelde ontvangstbevestiging	Voorbeeldbevestiging
  Id-documentmodel	vooraf samengesteld-idDocument	Voorbeeld-id-document
  Visitekaartjesmodel	vooraf samengestelde businessCard	Voorbeeld van visitekaartje

Uw omgevingsvariabelen instellen

Als u wilt communiceren met de Document Intelligence-service, moet u een exemplaar van de DocumentAnalysisClient klasse maken. U doet dit door de client te instantiëren met uw key en endpoint vanuit Azure Portal. Gebruik voor dit project omgevingsvariabelen om referenties op te slaan en te openen.

Belangrijk

Neem uw sleutel niet rechtstreeks op in de code en plaats deze nooit openbaar. Gebruik voor productie een veilige manier om uw referenties op te slaan en te openen, zoals Azure Key Vault. Zie Beveiliging van Azure AI-services voor meer informatie.

Als u de omgevingsvariabele voor uw Document Intelligence-resourcesleutel wilt instellen, opent u een consolevenster en volgt u de instructies voor uw besturingssysteem en ontwikkelomgeving. Vervang <yourKey> en <yourEndpoint> door de waarden van uw resource in Azure Portal.

Windows

Omgevingsvariabelen in Windows zijn niet hoofdlettergevoelig. Ze worden meestal in hoofdletters gedeclareerd, met woorden die zijn samengevoegd met een onderstrepingsteken. Voer bij een opdrachtprompt de volgende opdrachten uit:

1. Stel uw sleutelvariabele in:

   setx DI_KEY <yourKey>
   

2. Uw eindpuntvariabele instellen

   setx DI_ENDPOINT <yourEndpoint>
   

3. Sluit het opdrachtpromptvenster nadat u de omgevingsvariabelen hebt ingesteld. De waarden blijven behouden totdat u ze opnieuw wijzigt.

4. Start alle actieve programma's die de omgevingsvariabele lezen opnieuw. Als u bijvoorbeeld Visual Studio of Visual Studio Code als editor gebruikt, start u opnieuw voordat u de voorbeeldcode uitvoert.

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
setx VARIABLE_NAME=	Verwijder de omgevingsvariabele door de waarde in te stellen op een lege tekenreeks.	setx DI_KEY=
setx VARIABLE_NAME=value	Stel de waarde van een omgevingsvariabele in of wijzig deze.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	De waarde van een specifieke omgevingsvariabele weergeven.	set DI_KEY
set	Alle omgevingsvariabelen weergeven.	set

MacOS

Omgevingsvariabelen in macOS zijn hoofdlettergevoelig. De naam van de variabele wordt conventioneel gedeclareerd in hoofdletters.

Met export de opdracht wordt de variabele ingesteld en geëxporteerd naar de globale omgeving, die beschikbaar is voor andere processen. De waarde is echter tijdelijk en duurt alleen totdat u de terminalsessie sluit. Open de terminal en voer de volgende opdrachten in:

1. Stel uw sleutelvariabele in:

   export key=<yourKey>
   

2. Stel uw eindpuntvariabele in:

   export endpoint=<yourEndpoint>
   

Als u een omgevingsvariabele permanent wilt instellen, plaatst u een exportopdracht in uw Bash-opstartscript ~/.bash_profile :

1. Gebruik een teksteditor om het bestand ~/.bash_profile te openen en voeg de volgende opdracht toe om een permanente omgevingsvariabele te maken:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Voorbeeld: export DI_KEY="<yourKey>"

2. Sla de wijzigingen op in het bash_profile-bestand .

3. Voer de volgende opdracht uit vanuit het terminalvenster om de wijzigingen effectief te maken:

   source ~/.bash-profile
   

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
unset VARIABLE_NAME	Een omgevingsvariabele verwijderen.	unset DI_KEY
export VARIABLE_NAME=value	Stel de waarde van een tijdelijke omgevingsvariabele in of wijzig deze.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	De waarde van een specifieke omgevingsvariabele weergeven. Met de echo opdracht gaat u vooraf aan de variabele met $.	printenv DI_KEY echo $DI_KEY
printenv	Alle omgevingsvariabelen weergeven.	printenv

Linux

Omgevingsvariabelen in Linux zijn hoofdlettergevoelig. De naam van de variabele wordt conventioneel gedeclareerd in hoofdletters.

Met export de opdracht wordt de variabele ingesteld en geëxporteerd naar de globale omgeving, die beschikbaar is voor andere processen. De waarde is echter tijdelijk en duurt alleen totdat u de terminalsessie sluit:

1. Stel uw sleutelvariabele in:

   export DI_KEY=<yourKey>
   

2. Stel uw eindpuntvariabele in:

   export DI_ENDPOINT=<yourEndpoint>
   

Als u een omgevingsvariabele permanent wilt instellen, plaatst u een exportopdracht in uw Bash-opstartscript ~/.bashrc :

1. Gebruik een teksteditor om het bestand ~/.bashrc te openen en voeg de volgende opdracht toe om een permanente omgevingsvariabele te maken:

   export <VARIABLE>=<value>
   

   Voorbeeld: export DI_KEY=<yourKey>

2. Sla uw wijzigingen op in het .bashrc-bestand .

3. Voer de volgende opdracht uit vanuit het terminalvenster om de wijzigingen effectief te maken:

   source ~/.bashrc
   

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
unset VARIABLE_NAME	Een omgevingsvariabele verwijderen.	unset DI_KEY=
export VARIABLE_NAME=value	Stel de waarde van een tijdelijke omgevingsvariabele in of wijzig deze.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	De waarde van een omgevingsvariabele weergeven. Met de echo opdracht gaat u vooraf aan de variabele met $.	printenv DI_KEY echo $DI_KEY
printenv	Alle omgevingsvariabelen weergeven.	printenv

Uw programmeeromgeving instellen

1. Start Visual Studio.

2. Kies een nieuw project maken op de startpagina.

   

3. Voer op de pagina Een nieuw project maken de console in het zoekvak in. Selecteer de consoletoepassingssjabloon en kies vervolgens Volgende.

   

4. Voer op de pagina Uw nieuwe project configureren onder Projectnaam docIntelligence_app in. Selecteer Volgende.

   

5. Selecteer op de pagina Aanvullende informatie .NET 8.0 (langetermijnondersteuning) en selecteer vervolgens Maken.

   

De clientbibliotheek installeren met NuGet

1. Klik met de rechtermuisknop op uw docIntelligence_app project en selecteer NuGet-pakketten beheren... .

   

2. Selecteer het tabblad Bladeren en typ Azure.AI.FormRecognizer.

   

3. Selecteer een versie in de vervolgkeuzelijst en installeer het pakket in uw project.

Uw toepassing bouwen

Notitie

Vanaf .NET 6 genereren nieuwe projecten met behulp van de console sjabloon een nieuwe programmastijl die verschilt van eerdere versies. De nieuwe uitvoer maakt gebruik van recente C#-functies die de code vereenvoudigen die u moet schrijven.

Wanneer u de nieuwere versie gebruikt, hoeft u alleen de hoofdtekst van de Main methode te schrijven. U hoeft geen instructies op het hoogste niveau, globaal gebruik van instructies of impliciet gebruik van instructies op te nemen. Zie de sjabloon voor C#-console-apps voor meer informatie over het genereren van instructies op het hoogste niveau.

1. Open het Program.cs-bestand .

2. Verwijder de bestaande code, inclusief de regel Console.Writeline("Hello World!").

3. Selecteer een van de volgende codevoorbeelden en kopieer/plak deze in het Program.cs-bestand van uw toepassing:

   • vooraf gedefinieerde leesbewerking
   • vooraf gedefinieerde indeling
   • prebuilt-tax.us.w2
   • vooraf samengestelde factuur
   • vooraf samengestelde ontvangstbevestiging
   • vooraf samengesteld-idDocument

4. Nadat u een codevoorbeeld aan uw toepassing hebt toegevoegd, kiest u de groene startknop naast de projectnaam om uw programma te bouwen en uit te voeren, of drukt u op F5.

   

Het leesmodel gebruiken

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

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

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

AnalyzeDocumentOperation operation = await client.AnalyzeDocumentFromUriAsync(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}.");
}

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de read modeluitvoer.

Het indelingsmodel gebruiken

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

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

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

AnalyzeResult result = operation.Value;

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

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

        Console.WriteLine($"    Its bounding 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}'.");
    }
}

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het indelingsmodel.

Het algemene documentmodel gebruiken

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

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

AnalyzeDocumentOperation operation = await client.AnalyzeDocumentFromUriAsync(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}'.");
    }
}

Ga naar de opslagplaats azure-voorbeelden op GitHub en bekijk de uitvoer van het algemene documentmodel.

Het W-2-belastingmodel gebruiken

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

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

AnalyzeDocumentOperation operation = await client.AnalyzeDocumentFromUriAsync(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}");
                }
            }
        }
    }
}

Ga naar de Opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het W-2-belastingmodel.

Het factuurmodel gebruiken

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

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

AnalyzeDocumentOperation operation = await client.AnalyzeDocumentFromUriAsync(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}");
        }
    }
}

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het factuurmodel.

Het ontvangstbewijsmodel gebruiken

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

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

AnalyzeDocumentOperation operation = await client.AnalyzeDocumentFromUriAsync(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}'");
        }
    }
}

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het ontvangstbewijsmodel.

Id-documentmodel

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

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

AnalyzeDocumentOperation operation = await client.AnalyzeDocumentFromUriAsync(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}");
    }
}

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het id-documentmodel.

Het visitekaartjesmodel gebruiken

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

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

// sample document document
Uri businessCardUri = new Uri("https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/business-card-english.jpg");

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

AnalyzeResult businessCards = operation.Value;

foreach (AnalyzedDocument businessCard in businessCards.Documents)
{
    if (businessCard.Fields.TryGetValue("ContactNames", out DocumentField ContactNamesField))
    {
        if (ContactNamesField.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField contactNameField in ContactNamesField.Value.AsList())
            {
                Console.WriteLine("Contact Name: ");

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

                    if (contactNameFields.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 (contactNameFields.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 (businessCard.Fields.TryGetValue("JobTitles", out DocumentField jobTitlesFields))
    {
        if (jobTitlesFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField jobTitleField in jobTitlesFields.Value.AsList())
            {
                if (jobTitleField.FieldType == DocumentFieldType.String)
                {
                    string jobTitle = jobTitleField.Value.AsString();

                    Console.WriteLine($"Job Title: '{jobTitle}', with confidence {jobTitleField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("Departments", out DocumentField departmentFields))
    {
        if (departmentFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField departmentField in departmentFields.Value.AsList())
            {
                if (departmentField.FieldType == DocumentFieldType.String)
                {
                    string department = departmentField.Value.AsString();

                    Console.WriteLine($"Department: '{department}', with confidence {departmentField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("Emails", out DocumentField emailFields))
    {
        if (emailFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField emailField in emailFields.Value.AsList())
            {
                if (emailField.FieldType == DocumentFieldType.String)
                {
                    string email = emailField.Value.AsString();

                    Console.WriteLine($"Email: '{email}', with confidence {emailField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("Websites", out DocumentField websiteFields))
    {
        if (websiteFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField websiteField in websiteFields.Value.AsList())
            {
                if (websiteField.FieldType == DocumentFieldType.String)
                {
                    string website = websiteField.Value.AsString();

                    Console.WriteLine($"Website: '{website}', with confidence {websiteField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("MobilePhones", out DocumentField mobilePhonesFields))
    {
        if (mobilePhonesFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField mobilePhoneField in mobilePhonesFields.Value.AsList())
            {
                if (mobilePhoneField.FieldType == DocumentFieldType.PhoneNumber)
                {
                    string mobilePhone = mobilePhoneField.Value.AsPhoneNumber();

                    Console.WriteLine($"Mobile phone number: '{mobilePhone}', with confidence {mobilePhoneField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("WorkPhones", out DocumentField workPhonesFields))
    {
        if (workPhonesFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField workPhoneField in workPhonesFields.Value.AsList())
            {
                if (workPhoneField.FieldType == DocumentFieldType.PhoneNumber)
                {
                    string workPhone = workPhoneField.Value.AsPhoneNumber();

                    Console.WriteLine($"Work phone number: '{workPhone}', with confidence {workPhoneField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("Faxes", out DocumentField faxesFields))
    {
        if (faxesFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField faxField in faxesFields.Value.AsList())
            {
                if (faxField.FieldType == DocumentFieldType.PhoneNumber)
                {
                    string fax = faxField.Value.AsPhoneNumber();

                    Console.WriteLine($"Fax phone number: '{fax}', with confidence {faxField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("Addresses", out DocumentField addressesFields))
    {
        if (addressesFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField addressField in addressesFields.Value.AsList())
            {
                if (addressField.FieldType == DocumentFieldType.String)
                {
                    string address = addressField.Value.AsString();

                    Console.WriteLine($"Address: '{address}', with confidence {addressField.Confidence}");
                }
            }
        }
    }

    if (businessCard.Fields.TryGetValue("CompanyNames", out DocumentField companyNamesFields))
    {
        if (companyNamesFields.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField companyNameField in companyNamesFields.Value.AsList())
            {
                if (companyNameField.FieldType == DocumentFieldType.String)
                {
                    string companyName = companyNameField.Value.AsString();

                    Console.WriteLine($"Company name: '{companyName}', with confidence {companyNameField.Confidence}");
                }
            }
        }
    }
}

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het visitekaartjesmodel.

Rest API-referentiepakket voor clientbibliotheek-SDK | | (Maven) | -voorbeelden |ondersteunde REST API-versie |

Vereisten

• Een Azure-abonnement: maak er gratis een.

• De nieuwste versie van Visual Studio Code of uw favoriete IDE. Zie Java in Visual Studio Code.

  • Visual Studio Code biedt een coderingspakket voor Java voor Windows en macOS. Het coderingspakket is een bundel code VS , de Java Development Kit (JDK) en een verzameling voorgestelde extensies van Microsoft. Het coderingspakket kan ook worden gebruikt om een bestaande ontwikkelomgeving op te lossen.
  • Als u Code en het Coderingspakket voor Java gebruikt VS , installeert u de Gradle for Java-extensie .

  Als u Visual Studio Code niet gebruikt, controleert u of het volgende is geïnstalleerd in uw ontwikkelomgeving:

  • Een Java Development Kit (JDK) versie 8 of hoger. Zie Microsoft Build van OpenJDK voor meer informatie.
  • Gradle, versie 6.8 of hoger.

• Een Azure AI-services of Document Intelligence-resource. Maak een enkele service of meerdere services. U kunt de gratis prijscategorie (F0) gebruiken om de service uit te proberen, en later upgraden naar een betaalde laag voor productie.

  Tip

  Maak een Azure AI-servicesresource als u van plan bent om toegang te krijgen tot meerdere Azure AI-services met behulp van één eindpunt en sleutel. Voor alleen toegang tot Document Intelligence maakt u een Document Intelligence-resource. U hebt een resource met één service nodig als u Microsoft Entra-verificatie wilt gebruiken.

• De sleutel en het eindpunt van de resource die u maakt om uw toepassing te verbinden met de Azure Document Intelligence-service.

  1. Nadat de resource is geïmplementeerd, selecteert u Ga naar de resource.
  2. Selecteer sleutels en eindpunt in het linkernavigatiemenu.
  3. Kopieer een van de sleutels en het eindpunt voor gebruik verderop in dit artikel.

  

• Een documentbestand op een URL. Voor dit project kunt u de voorbeeldformulieren in de volgende tabel gebruiken voor elke functie:

  Functie	modelID	document-URL
  Model lezen	vooraf gedefinieerde leesbewerking	Voorbeeldbrochure
  Indelingsmodel	vooraf gedefinieerde indeling	Voorbeeld van reserveringsbevestiging
  W-2-formuliermodel	prebuilt-tax.us.w2	Voorbeeld van W-2-formulier
  Factuurmodel	vooraf samengestelde factuur	Voorbeeldfactuur
  Ontvangstbewijsmodel	vooraf samengestelde ontvangstbevestiging	Voorbeeldbevestiging
  Id-documentmodel	vooraf samengesteld-idDocument	Voorbeeld-id-document

Uw omgevingsvariabelen instellen

Als u wilt communiceren met de Document Intelligence-service, moet u een exemplaar van de DocumentAnalysisClient klasse maken. U doet dit door de client te instantiëren met uw key en endpoint vanuit Azure Portal. Gebruik voor dit project omgevingsvariabelen om referenties op te slaan en te openen.

Belangrijk

Neem uw sleutel niet rechtstreeks op in de code en plaats deze nooit openbaar. Gebruik voor productie een veilige manier om uw referenties op te slaan en te openen, zoals Azure Key Vault. Zie Beveiliging van Azure AI-services voor meer informatie.

Als u de omgevingsvariabele voor uw Document Intelligence-resourcesleutel wilt instellen, opent u een consolevenster en volgt u de instructies voor uw besturingssysteem en ontwikkelomgeving. Vervang <yourKey> en <yourEndpoint> door de waarden van uw resource in Azure Portal.

Windows

Omgevingsvariabelen in Windows zijn niet hoofdlettergevoelig. Ze worden meestal in hoofdletters gedeclareerd, met woorden die zijn samengevoegd met een onderstrepingsteken. Voer bij een opdrachtprompt de volgende opdrachten uit:

1. Stel uw sleutelvariabele in:

   setx DI_KEY <yourKey>
   

2. Uw eindpuntvariabele instellen

   setx DI_ENDPOINT <yourEndpoint>
   

3. Sluit het opdrachtpromptvenster nadat u de omgevingsvariabelen hebt ingesteld. De waarden blijven behouden totdat u ze opnieuw wijzigt.

4. Start alle actieve programma's die de omgevingsvariabele lezen opnieuw. Als u bijvoorbeeld Visual Studio of Visual Studio Code als editor gebruikt, start u opnieuw voordat u de voorbeeldcode uitvoert.

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
setx VARIABLE_NAME=	Verwijder de omgevingsvariabele door de waarde in te stellen op een lege tekenreeks.	setx DI_KEY=
setx VARIABLE_NAME=value	Stel de waarde van een omgevingsvariabele in of wijzig deze.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	De waarde van een specifieke omgevingsvariabele weergeven.	set DI_KEY
set	Alle omgevingsvariabelen weergeven.	set

MacOS

Omgevingsvariabelen in macOS zijn hoofdlettergevoelig. De naam van de variabele wordt conventioneel gedeclareerd in hoofdletters.

Met export de opdracht wordt de variabele ingesteld en geëxporteerd naar de globale omgeving, die beschikbaar is voor andere processen. De waarde is echter tijdelijk en duurt alleen totdat u de terminalsessie sluit. Open de terminal en voer de volgende opdrachten in:

1. Stel uw sleutelvariabele in:

   export key=<yourKey>
   

2. Stel uw eindpuntvariabele in:

   export endpoint=<yourEndpoint>
   

Als u een omgevingsvariabele permanent wilt instellen, plaatst u een exportopdracht in uw Bash-opstartscript ~/.bash_profile :

1. Gebruik een teksteditor om het bestand ~/.bash_profile te openen en voeg de volgende opdracht toe om een permanente omgevingsvariabele te maken:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Voorbeeld: export DI_KEY="<yourKey>"

2. Sla de wijzigingen op in het bash_profile-bestand .

3. Voer de volgende opdracht uit vanuit het terminalvenster om de wijzigingen effectief te maken:

   source ~/.bash-profile
   

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
unset VARIABLE_NAME	Een omgevingsvariabele verwijderen.	unset DI_KEY
export VARIABLE_NAME=value	Stel de waarde van een tijdelijke omgevingsvariabele in of wijzig deze.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	De waarde van een specifieke omgevingsvariabele weergeven. Met de echo opdracht gaat u vooraf aan de variabele met $.	printenv DI_KEY echo $DI_KEY
printenv	Alle omgevingsvariabelen weergeven.	printenv

Linux

Omgevingsvariabelen in Linux zijn hoofdlettergevoelig. De naam van de variabele wordt conventioneel gedeclareerd in hoofdletters.

Met export de opdracht wordt de variabele ingesteld en geëxporteerd naar de globale omgeving, die beschikbaar is voor andere processen. De waarde is echter tijdelijk en duurt alleen totdat u de terminalsessie sluit:

1. Stel uw sleutelvariabele in:

   export DI_KEY=<yourKey>
   

2. Stel uw eindpuntvariabele in:

   export DI_ENDPOINT=<yourEndpoint>
   

Als u een omgevingsvariabele permanent wilt instellen, plaatst u een exportopdracht in uw Bash-opstartscript ~/.bashrc :

1. Gebruik een teksteditor om het bestand ~/.bashrc te openen en voeg de volgende opdracht toe om een permanente omgevingsvariabele te maken:

   export <VARIABLE>=<value>
   

   Voorbeeld: export DI_KEY=<yourKey>

2. Sla uw wijzigingen op in het .bashrc-bestand .

3. Voer de volgende opdracht uit vanuit het terminalvenster om de wijzigingen effectief te maken:

   source ~/.bashrc
   

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
unset VARIABLE_NAME	Een omgevingsvariabele verwijderen.	unset DI_KEY=
export VARIABLE_NAME=value	Stel de waarde van een tijdelijke omgevingsvariabele in of wijzig deze.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	De waarde van een omgevingsvariabele weergeven. Met de echo opdracht gaat u vooraf aan de variabele met $.	printenv DI_KEY echo $DI_KEY
printenv	Alle omgevingsvariabelen weergeven.	printenv

Uw programmeeromgeving instellen

Als u uw programmeeromgeving wilt instellen, maakt u een Gradle-project en installeert u de clientbibliotheek.

Een Gradle-project maken

1. Maak in een consolevenster een map voor uw app met de naam doc-intelligence-app en navigeer ernaartoe.

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

2. Voer de opdracht gradle init uit vanuit uw werkmap. Met deze opdracht maakt u essentiële buildbestanden voor Gradle, waaronder build.gradle.kts, die tijdens runtime wordt gebruikt om uw toepassing te maken en te configureren.

   gradle init --type basic
   

3. Wanneer u wordt gevraagd om een DSL te kiezen, selecteert u Kotlin.

4. Selecteer Enter om de standaardprojectnaam, doc-intelligence-app, te accepteren.

De clientbibliotheek installeren

In dit artikel wordt de Gradle-afhankelijkheidsmanager gebruikt. U vindt de clientbibliotheek en informatie voor andere afhankelijkheidsbeheerders in de Maven Central Repository.

1. Open het bestand build.gradle.kts van het project in uw IDE. Kopieer en plak de volgende code om de clientbibliotheek op te nemen als instructie implementation , samen met de vereiste invoegtoepassingen en instellingen.

   plugins {
      java
      application
   }
   application {
      mainClass.set("DocIntelligence")
   }
   repositories {
      mavenCentral()
   }
   dependencies {
      implementation group: 'com.azure', name: 'azure-ai-documentintelligence', version: '1.0.0-beta.2'
   
   }
   

Een Java-toepassing maken

Als u wilt communiceren met de Document Intelligence-service, maakt u een exemplaar van de DocumentIntelligenceClient klasse. Hiervoor maakt u een AzureKeyCredential exemplaar met uw key azure-portal en een DocumentIntelligenceClient exemplaar met de AzureKeyCredential en uw documentinformatie endpoint.

1. Voer vanuit de map doc-intelligence-app de volgende opdracht uit:

   mkdir -p src/main/java
   

Met deze opdracht maakt u de volgende mapstructuur:

1. Navigeer naar de map en maak een bestand met de java naam DocIntelligence.java.

   Tip

   U kunt een nieuw bestand maken met behulp van PowerShell. Open een PowerShell-venster in uw projectmap door Shift ingedrukt te houden en met de rechtermuisknop op de map te klikken en typ vervolgens de volgende opdracht: New-Item DocIntelligence.java.

2. Open het bestand DocIntelligence.java en selecteer een van de volgende codevoorbeelden en kopieer/plak deze in uw toepassing:

   • Het vooraf gedefinieerde model voor lezen vormt de kern van alle Document Intelligence-modellen en kan lijnen, woorden, locaties en talen detecteren. De indeling, het algemene document, de vooraf samengestelde en aangepaste modellen maken allemaal gebruik van het model als basis voor het read extraheren van teksten uit documenten.
   • Met het vooraf gedefinieerde model worden tekst- en tekstlocaties, tabellen, selectiemarkeringen en structuurinformatie uit documenten en afbeeldingen geëxtraheerd.
   • Het model prebuilt-tax.us.w2 extraheert informatie die is gerapporteerd op amerikaanse IRS-belastingformulieren (Internal Revenue Service).
   • Het vooraf gedefinieerde factuurmodel extraheert sleutelvelden en regelitems uit verkoopfacturen in verschillende indelingen.
   • Het vooraf samengestelde ontvangstbewijsmodel extraheert belangrijke informatie uit afgedrukte en handgeschreven verkoopbevestigingen.
   • Het vooraf samengestelde idDocument-model haalt belangrijke informatie op uit Us Drivers Licenses; internationale biografische paspoortpagina's; Amerikaanse status-id's; sociale zekerheidskaarten; en permanente kaartjes.

3. Typ de volgende opdrachten:

   gradle build
   gradle run
   

Het leesmodel gebruiken

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()));
});
}
}

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de read modeluitvoer.

Het indelingsmodel gebruiken

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(", "));
}

}

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het indelingsmodel.

Het algemene documentmodel gebruiken

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());
  }
});

}

}

Ga naar de opslagplaats azure-voorbeelden op GitHub en bekijk de uitvoer van het algemene documentmodel.

Het W-2-belastingmodel gebruiken

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());
    }
  }
}
}
}

Ga naar de Opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het W-2-belastingmodel.

Het factuurmodel gebruiken

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

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het factuurmodel.

Het ontvangstmodel gebruiken

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

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het ontvangstbewijsmodel.

Het id-documentmodel gebruiken

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());
    }
  }
}
}
}

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het id-documentmodel.

Rest API-referentiepakket voor clientbibliotheek | (npm) | Voorbeelden |ondersteunde REST API-versie |

Vereisten

• Een Azure-abonnement: maak er gratis een.

• De nieuwste versie van Visual Studio Code of uw favoriete IDE. Zie Node.js in Visual Studio Code voor meer informatie.

• De nieuwste LTS versie van Node.js.

• Een Azure AI-services of Document Intelligence-resource. Maak een enkele service of meerdere services. U kunt de gratis prijscategorie (F0) gebruiken om de service uit te proberen, en later upgraden naar een betaalde laag voor productie.

  Tip

  Maak een Azure AI-servicesresource als u van plan bent om toegang te krijgen tot meerdere Azure AI-services met behulp van één eindpunt en sleutel. Voor alleen toegang tot Document Intelligence maakt u een Document Intelligence-resource. U hebt een resource met één service nodig als u Microsoft Entra-verificatie wilt gebruiken.

• De sleutel en het eindpunt van de resource die u maakt om uw toepassing te verbinden met de Azure Document Intelligence-service.

  1. Nadat de resource is geïmplementeerd, selecteert u Ga naar de resource.
  2. Selecteer sleutels en eindpunt in het linkernavigatiemenu.
  3. Kopieer een van de sleutels en het eindpunt voor gebruik verderop in dit artikel.

  

• Een documentbestand op een URL. Voor dit project kunt u de voorbeeldformulieren in de volgende tabel gebruiken voor elke functie:

  Functie	modelID	document-URL
  Model lezen	vooraf gedefinieerde leesbewerking	Voorbeeldbrochure
  Indelingsmodel	vooraf gedefinieerde indeling	Voorbeeld van reserveringsbevestiging
  W-2-formuliermodel	prebuilt-tax.us.w2	Voorbeeld van W-2-formulier
  Factuurmodel	vooraf samengestelde factuur	Voorbeeldfactuur
  Ontvangstbewijsmodel	vooraf samengestelde ontvangstbevestiging	Voorbeeldbevestiging
  Id-documentmodel	vooraf samengesteld-idDocument	Voorbeeld-id-document

Uw omgevingsvariabelen instellen

Als u wilt communiceren met de Document Intelligence-service, moet u een exemplaar van de DocumentAnalysisClient klasse maken. U doet dit door de client te instantiëren met uw key en endpoint vanuit Azure Portal. Gebruik voor dit project omgevingsvariabelen om referenties op te slaan en te openen.

Belangrijk

Neem uw sleutel niet rechtstreeks op in de code en plaats deze nooit openbaar. Gebruik voor productie een veilige manier om uw referenties op te slaan en te openen, zoals Azure Key Vault. Zie Beveiliging van Azure AI-services voor meer informatie.

Als u de omgevingsvariabele voor uw Document Intelligence-resourcesleutel wilt instellen, opent u een consolevenster en volgt u de instructies voor uw besturingssysteem en ontwikkelomgeving. Vervang <yourKey> en <yourEndpoint> door de waarden van uw resource in Azure Portal.

Windows

Omgevingsvariabelen in Windows zijn niet hoofdlettergevoelig. Ze worden meestal in hoofdletters gedeclareerd, met woorden die zijn samengevoegd met een onderstrepingsteken. Voer bij een opdrachtprompt de volgende opdrachten uit:

1. Stel uw sleutelvariabele in:

   setx DI_KEY <yourKey>
   

2. Uw eindpuntvariabele instellen

   setx DI_ENDPOINT <yourEndpoint>
   

3. Sluit het opdrachtpromptvenster nadat u de omgevingsvariabelen hebt ingesteld. De waarden blijven behouden totdat u ze opnieuw wijzigt.

4. Start alle actieve programma's die de omgevingsvariabele lezen opnieuw. Als u bijvoorbeeld Visual Studio of Visual Studio Code als editor gebruikt, start u opnieuw voordat u de voorbeeldcode uitvoert.

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
setx VARIABLE_NAME=	Verwijder de omgevingsvariabele door de waarde in te stellen op een lege tekenreeks.	setx DI_KEY=
setx VARIABLE_NAME=value	Stel de waarde van een omgevingsvariabele in of wijzig deze.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	De waarde van een specifieke omgevingsvariabele weergeven.	set DI_KEY
set	Alle omgevingsvariabelen weergeven.	set

MacOS

Omgevingsvariabelen in macOS zijn hoofdlettergevoelig. De naam van de variabele wordt conventioneel gedeclareerd in hoofdletters.

Met export de opdracht wordt de variabele ingesteld en geëxporteerd naar de globale omgeving, die beschikbaar is voor andere processen. De waarde is echter tijdelijk en duurt alleen totdat u de terminalsessie sluit. Open de terminal en voer de volgende opdrachten in:

1. Stel uw sleutelvariabele in:

   export key=<yourKey>
   

2. Stel uw eindpuntvariabele in:

   export endpoint=<yourEndpoint>
   

Als u een omgevingsvariabele permanent wilt instellen, plaatst u een exportopdracht in uw Bash-opstartscript ~/.bash_profile :

1. Gebruik een teksteditor om het bestand ~/.bash_profile te openen en voeg de volgende opdracht toe om een permanente omgevingsvariabele te maken:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Voorbeeld: export DI_KEY="<yourKey>"

2. Sla de wijzigingen op in het bash_profile-bestand .

3. Voer de volgende opdracht uit vanuit het terminalvenster om de wijzigingen effectief te maken:

   source ~/.bash-profile
   

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
unset VARIABLE_NAME	Een omgevingsvariabele verwijderen.	unset DI_KEY
export VARIABLE_NAME=value	Stel de waarde van een tijdelijke omgevingsvariabele in of wijzig deze.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	De waarde van een specifieke omgevingsvariabele weergeven. Met de echo opdracht gaat u vooraf aan de variabele met $.	printenv DI_KEY echo $DI_KEY
printenv	Alle omgevingsvariabelen weergeven.	printenv

Linux

Omgevingsvariabelen in Linux zijn hoofdlettergevoelig. De naam van de variabele wordt conventioneel gedeclareerd in hoofdletters.

Met export de opdracht wordt de variabele ingesteld en geëxporteerd naar de globale omgeving, die beschikbaar is voor andere processen. De waarde is echter tijdelijk en duurt alleen totdat u de terminalsessie sluit:

1. Stel uw sleutelvariabele in:

   export DI_KEY=<yourKey>
   

2. Stel uw eindpuntvariabele in:

   export DI_ENDPOINT=<yourEndpoint>
   

Als u een omgevingsvariabele permanent wilt instellen, plaatst u een exportopdracht in uw Bash-opstartscript ~/.bashrc :

1. Gebruik een teksteditor om het bestand ~/.bashrc te openen en voeg de volgende opdracht toe om een permanente omgevingsvariabele te maken:

   export <VARIABLE>=<value>
   

   Voorbeeld: export DI_KEY=<yourKey>

2. Sla uw wijzigingen op in het .bashrc-bestand .

3. Voer de volgende opdracht uit vanuit het terminalvenster om de wijzigingen effectief te maken:

   source ~/.bashrc
   

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
unset VARIABLE_NAME	Een omgevingsvariabele verwijderen.	unset DI_KEY=
export VARIABLE_NAME=value	Stel de waarde van een tijdelijke omgevingsvariabele in of wijzig deze.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	De waarde van een omgevingsvariabele weergeven. Met de echo opdracht gaat u vooraf aan de variabele met $.	printenv DI_KEY echo $DI_KEY
printenv	Alle omgevingsvariabelen weergeven.	printenv

Uw programmeeromgeving instellen

Maak een Node.js Express-toepassing.

1. Maak en navigeer in een consolevenster naar een nieuwe map voor uw app met de naam doc-intel-app.

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

2. Voer de npm init opdracht uit om de toepassing te initialiseren en uw project te initialiseren.

   npm init
   

3. Geef de kenmerken van uw project op met behulp van de prompts die worden weergegeven in de terminal.

   • De belangrijkste kenmerken zijn naam, versienummer en toegangspunt.
   • U wordt aangeraden de naam van het toegangspunt te behouden index.js . De beschrijving, testopdracht, GitHub-opslagplaats, trefwoorden, auteur en licentiegegevens zijn optionele kenmerken. U kunt ze overslaan voor dit project.
   • Selecteer Enter om de suggesties tussen haakjes te accepteren.

   Nadat u de prompts hebt voltooid, maakt de opdracht een package.json bestand in de map doc-intel-app .

4. Installeer de ai-document-intelligence clientbibliotheek en azure/identity npm-pakketten:

   npm i @azure-rest/ai-document-intelligence@1.0.0-beta.2 @azure/identity
   

Het package.json-bestand van uw app wordt bijgewerkt met de afhankelijkheden.

1. Maak een bestand met de naam index.js in de toepassingsmap.

   Tip

   U kunt een nieuw bestand maken met behulp van PowerShell. Open een PowerShell-venster in uw projectmap door Shift ingedrukt te houden en met de rechtermuisknop op de map te klikken en typ vervolgens de volgende opdracht: New-Item index.js.

Uw toepassing bouwen

Als u wilt communiceren met de Document Intelligence-service, moet u een exemplaar van de DocumentIntelligenceClient klasse maken. Hiervoor maakt u een AzureKeyCredential met uw sleutel vanuit Azure Portal en een DocumentIntelligenceClient exemplaar met het AzureKeyCredential en uw Document Intelligence-eindpunt.

Open het index.js bestand in Visual Studio Code of uw favoriete IDE en selecteer een van de volgende codevoorbeelden en kopieer/plak deze in uw toepassing:

• Het vooraf gedefinieerde model voor lezen vormt de kern van alle Document Intelligence-modellen en kan lijnen, woorden, locaties en talen detecteren. De indeling, het algemene document, de vooraf samengestelde en aangepaste modellen maken allemaal gebruik van het model als basis voor het read extraheren van teksten uit documenten.
• Met het vooraf gedefinieerde model worden tekst- en tekstlocaties, tabellen, selectiemarkeringen en structuurinformatie uit documenten en afbeeldingen geëxtraheerd.
• Het model prebuilt-tax.us.w2 extraheert informatie die is gerapporteerd op amerikaanse IRS-belastingformulieren (Internal Revenue Service).
• Het vooraf samengestelde factuurmodel extraheert informatie die is gerapporteerd op amerikaanse belastingformulieren voor de interne omzetservice.
• Het vooraf samengestelde ontvangstbewijsmodel extraheert belangrijke informatie uit afgedrukte en handgeschreven verkoopbevestigingen.
• Het vooraf samengestelde idDocument-model haalt belangrijke informatie op uit Us Drivers Licenses; internationale biografische paspoortpagina's; Amerikaanse status-id's; sociale zekerheidskaarten; en permanente kaartjes.

Het leesmodel gebruiken

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);
});

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de read modeluitvoer.

Het indelingsmodel gebruiken

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);
  });

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het indelingsmodel.

Het algemene documentmodel gebruiken

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);
});

Ga naar de opslagplaats azure-voorbeelden op GitHub en bekijk de uitvoer van het algemene documentmodel.

Het W-2-belastingmodel gebruiken

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);
});

Ga naar de Opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het W-2-belastingmodel.

Het factuurmodel gebruiken

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);
});

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het factuurmodel.

Het ontvangstbewijsmodel gebruiken

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);
});

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het ontvangstbewijsmodel.

Het id-documentmodel gebruiken

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);
});

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het id-documentmodel.

Rest API-referentiepakket voor clientbibliotheek-SDK | | (PyPi) | -voorbeelden | ondersteunde REST API-versie |

Vereisten

• Een Azure-abonnement: maak er gratis een.

• Python 3.7 of hoger. Uw Python-installatie moet pip bevatten. U kunt controleren of pip is geïnstalleerd door deze uit te voeren pip --version op de opdrachtregel. Haal pip op door de nieuwste versie van Python te installeren.

• De nieuwste versie van Visual Studio Code of uw favoriete IDE. Zie Aan de slag met Python in Visual Studio Code.

• Een Azure AI-services of Document Intelligence-resource. Maak een enkele service of meerdere services. U kunt de gratis prijscategorie (F0) gebruiken om de service uit te proberen, en later upgraden naar een betaalde laag voor productie.

• De sleutel en het eindpunt van de resource die u maakt om uw toepassing te verbinden met de Azure Document Intelligence-service.

  1. Nadat de resource is geïmplementeerd, selecteert u Ga naar de resource.
  2. Selecteer sleutels en eindpunt in het linkernavigatiemenu.
  3. Kopieer een van de sleutels en het eindpunt voor gebruik verderop in dit artikel.

  

• Een documentbestand op een URL. Voor dit project kunt u de voorbeeldformulieren in de volgende tabel gebruiken voor elke functie:

  Functie	modelID	document-URL
  Model lezen	vooraf gedefinieerde leesbewerking	Voorbeeldbrochure
  Indelingsmodel	vooraf gedefinieerde indeling	Voorbeeld van reserveringsbevestiging
  W-2-formuliermodel	prebuilt-tax.us.w2	Voorbeeld van W-2-formulier
  Factuurmodel	vooraf samengestelde factuur	Voorbeeldfactuur
  Ontvangstbewijsmodel	vooraf samengestelde ontvangstbevestiging	Voorbeeldbevestiging
  Id-documentmodel	vooraf samengesteld-idDocument	Voorbeeld-id-document

Uw omgevingsvariabelen instellen

Als u wilt communiceren met de Document Intelligence-service, moet u een exemplaar van de DocumentAnalysisClient klasse maken. U doet dit door de client te instantiëren met uw key en endpoint vanuit Azure Portal. Gebruik voor dit project omgevingsvariabelen om referenties op te slaan en te openen.

Belangrijk

Neem uw sleutel niet rechtstreeks op in de code en plaats deze nooit openbaar. Gebruik voor productie een veilige manier om uw referenties op te slaan en te openen, zoals Azure Key Vault. Zie Beveiliging van Azure AI-services voor meer informatie.

Als u de omgevingsvariabele voor uw Document Intelligence-resourcesleutel wilt instellen, opent u een consolevenster en volgt u de instructies voor uw besturingssysteem en ontwikkelomgeving. Vervang <yourKey> en <yourEndpoint> door de waarden van uw resource in Azure Portal.

Windows

Omgevingsvariabelen in Windows zijn niet hoofdlettergevoelig. Ze worden meestal in hoofdletters gedeclareerd, met woorden die zijn samengevoegd met een onderstrepingsteken. Voer bij een opdrachtprompt de volgende opdrachten uit:

1. Stel uw sleutelvariabele in:

   setx DI_KEY <yourKey>
   

2. Uw eindpuntvariabele instellen

   setx DI_ENDPOINT <yourEndpoint>
   

3. Sluit het opdrachtpromptvenster nadat u de omgevingsvariabelen hebt ingesteld. De waarden blijven behouden totdat u ze opnieuw wijzigt.

4. Start alle actieve programma's die de omgevingsvariabele lezen opnieuw. Als u bijvoorbeeld Visual Studio of Visual Studio Code als editor gebruikt, start u opnieuw voordat u de voorbeeldcode uitvoert.

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
setx VARIABLE_NAME=	Verwijder de omgevingsvariabele door de waarde in te stellen op een lege tekenreeks.	setx DI_KEY=
setx VARIABLE_NAME=value	Stel de waarde van een omgevingsvariabele in of wijzig deze.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	De waarde van een specifieke omgevingsvariabele weergeven.	set DI_KEY
set	Alle omgevingsvariabelen weergeven.	set

MacOS

Omgevingsvariabelen in macOS zijn hoofdlettergevoelig. De naam van de variabele wordt conventioneel gedeclareerd in hoofdletters.

Met export de opdracht wordt de variabele ingesteld en geëxporteerd naar de globale omgeving, die beschikbaar is voor andere processen. De waarde is echter tijdelijk en duurt alleen totdat u de terminalsessie sluit. Open de terminal en voer de volgende opdrachten in:

1. Stel uw sleutelvariabele in:

   export key=<yourKey>
   

2. Stel uw eindpuntvariabele in:

   export endpoint=<yourEndpoint>
   

Als u een omgevingsvariabele permanent wilt instellen, plaatst u een exportopdracht in uw Bash-opstartscript ~/.bash_profile :

1. Gebruik een teksteditor om het bestand ~/.bash_profile te openen en voeg de volgende opdracht toe om een permanente omgevingsvariabele te maken:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Voorbeeld: export DI_KEY="<yourKey>"

2. Sla de wijzigingen op in het bash_profile-bestand .

3. Voer de volgende opdracht uit vanuit het terminalvenster om de wijzigingen effectief te maken:

   source ~/.bash-profile
   

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
unset VARIABLE_NAME	Een omgevingsvariabele verwijderen.	unset DI_KEY
export VARIABLE_NAME=value	Stel de waarde van een tijdelijke omgevingsvariabele in of wijzig deze.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	De waarde van een specifieke omgevingsvariabele weergeven. Met de echo opdracht gaat u vooraf aan de variabele met $.	printenv DI_KEY echo $DI_KEY
printenv	Alle omgevingsvariabelen weergeven.	printenv

Linux

Omgevingsvariabelen in Linux zijn hoofdlettergevoelig. De naam van de variabele wordt conventioneel gedeclareerd in hoofdletters.

Met export de opdracht wordt de variabele ingesteld en geëxporteerd naar de globale omgeving, die beschikbaar is voor andere processen. De waarde is echter tijdelijk en duurt alleen totdat u de terminalsessie sluit:

1. Stel uw sleutelvariabele in:

   export DI_KEY=<yourKey>
   

2. Stel uw eindpuntvariabele in:

   export DI_ENDPOINT=<yourEndpoint>
   

Als u een omgevingsvariabele permanent wilt instellen, plaatst u een exportopdracht in uw Bash-opstartscript ~/.bashrc :

1. Gebruik een teksteditor om het bestand ~/.bashrc te openen en voeg de volgende opdracht toe om een permanente omgevingsvariabele te maken:

   export <VARIABLE>=<value>
   

   Voorbeeld: export DI_KEY=<yourKey>

2. Sla uw wijzigingen op in het .bashrc-bestand .

3. Voer de volgende opdracht uit vanuit het terminalvenster om de wijzigingen effectief te maken:

   source ~/.bashrc
   

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
unset VARIABLE_NAME	Een omgevingsvariabele verwijderen.	unset DI_KEY=
export VARIABLE_NAME=value	Stel de waarde van een tijdelijke omgevingsvariabele in of wijzig deze.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	De waarde van een omgevingsvariabele weergeven. Met de echo opdracht gaat u vooraf aan de variabele met $.	printenv DI_KEY echo $DI_KEY
printenv	Alle omgevingsvariabelen weergeven.	printenv

Uw programmeeromgeving instellen

Open een consolevenster in uw lokale omgeving en installeer de Azure AI Document Intelligence-clientbibliotheek voor Python met pip:

pip install azure-ai-documentintelligence==1.0.0b2

Uw Python-toepassing maken

Als u wilt communiceren met de Document Intelligence-service, moet u een exemplaar van de DocumentIntelligenceClient klasse maken. Hiervoor maakt u een AzureKeyCredential met uw sleutel vanuit Azure Portal en een DocumentIntelligenceClient exemplaar met het AzureKeyCredential en uw Document Intelligence-eindpunt.

1. Maak een nieuw Python-bestand met de naam form_recognizer_quickstart.py in een editor of IDE.

2. Open het bestand form_recognizer_quickstart.py en selecteer een van de volgende codevoorbeelden en kopieer/plak deze in uw toepassing:

   • Het vooraf gedefinieerde model voor lezen vormt de kern van alle Document Intelligence-modellen en kan lijnen, woorden, locaties en talen detecteren. De indeling, het algemene document, de vooraf samengestelde en aangepaste modellen maken allemaal gebruik van het model als basis voor het read extraheren van teksten uit documenten.
   • Met het vooraf gedefinieerde model worden tekst- en tekstlocaties, tabellen, selectiemarkeringen en structuurinformatie uit documenten en afbeeldingen geëxtraheerd.
   • Het model prebuilt-tax.us.w2 extraheert informatie die is gerapporteerd op amerikaanse IRS-belastingformulieren (Internal Revenue Service).
   • Het vooraf gedefinieerde factuurmodel extraheert sleutelvelden en regelitems uit verkoopfacturen in verschillende indelingen.
   • Het vooraf samengestelde ontvangstbewijsmodel extraheert belangrijke informatie uit afgedrukte en handgeschreven verkoopbevestigingen.
   • Het vooraf samengestelde idDocument-model haalt belangrijke informatie op uit Us Drivers Licenses; internationale biografische paspoortpagina's; Amerikaanse status-id's; sociale zekerheidskaarten; en permanente kaartjes.

3. Voer de Python-code uit vanaf de opdrachtprompt.

   python form_recognizer_quickstart.py
   

Het leesmodel gebruiken

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


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", formUrl
    )
    result = poller.result()

    print("Document contains content: ", result.content)

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

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

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

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

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


if __name__ == "__main__":
    analyze_read()

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de read modeluitvoer.

Het indelingsmodel gebruiken

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


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

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

    poller = client.begin_analyze_document(
        "prebuilt-layout", formUrl
    )
    result = poller.result()

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

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

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

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

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

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

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


if __name__ == "__main__":
    analyze_layout()

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het indelingsmodel.

Het algemene documentmodel gebruiken

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

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


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

    # create your `DocumentIntelligenceClient` instance and `AzureKeyCredential` variable
   client = DocumentIntelligenceClient(endpoint=endpoint, credential=AzureKeyCredential(key))

    poller = client.begin_analyze_document(
            "prebuilt-document", docUrl)
    result = poller.result()

    for style in result.styles:
        if style.is_handwritten:
            print("Document contains handwritten content: ")
            print(",".join([result.content[span.offset:span.offset + span.length] for span in style.spans]))

    print("----Key-value pairs found in document----")
    for kv_pair in result.key_value_pairs:
        if kv_pair.key:
            print(
                    "Key '{}' found within '{}' bounding regions".format(
                        kv_pair.key.content,
                        format_bounding_region(kv_pair.key.bounding_regions),
                    )
                )
        if kv_pair.value:
            print(
                    "Value '{}' found within '{}' bounding regions\n".format(
                        kv_pair.value.content,
                        format_bounding_region(kv_pair.value.bounding_regions),
                    )
                )

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

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

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

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

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


if __name__ == "__main__":
    analyze_general_documents()

Ga naar de opslagplaats azure-voorbeelden op GitHub en bekijk de uitvoer van het algemene documentmodel.

Het W-2-belastingmodel gebruiken

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", formUrl
    )
    w2s = poller.result()

    for idx, w2 in enumerate(w2s.documents):
         print("--------Analyzing US Tax W-2 Form #{}--------".format(idx   1))
        form_variant = w2.fields.get("W2FormVariant")
        if form_variant:
            print(
                "Form variant: {} has confidence: {}".format(
                    form_variant.value, form_variant.confidence
                )
            )
        tax_year = w2.fields.get("TaxYear")
        if tax_year:
            print(
                "Tax year: {} has confidence: {}".format(
                    tax_year.value, tax_year.confidence
                )
            )
        w2_copy = w2.fields.get("W2Copy")
        if w2_copy:
            print(
                "W-2 Copy: {} has confidence: {}".format(
                    w2_copy.value,
                    w2_copy.confidence,
                )
            )
        employee = w2.fields.get("Employee")
        if employee:
            print("Employee data:")
            employee_name = employee.value.get("Name")
            if employee_name:
                print(
                    "...Name: {} has confidence: {}".format(
                        employee_name.value, employee_name.confidence
                    )
                )
            employee_ssn = employee.value.get("SocialSecurityNumber")
            if employee_ssn:
                print(
                    "...SSN: {} has confidence: {}".format(
                        employee_ssn.value, employee_ssn.confidence
                    )
                )
            employee_address = employee.value.get("Address")
            if employee_address:
                print(
                    "...Address: {}\n......has confidence: {}".format(
                        format_address_value(employee_address.value),
                        employee_address.confidence,
                    )
                )
            employee_zipcode = employee.value.get("ZipCode")
            if employee_zipcode:
                print(
                    "...Zipcode: {} has confidence: {}".format(
                        employee_zipcode.value, employee_zipcode.confidence
                    )
                )
        control_number = w2.fields.get("ControlNumber")
        if control_number:
            print(
                "Control Number: {} has confidence: {}".format(
                    control_number.value, control_number.confidence
                )
            )
        employer = w2.fields.get("Employer")
        if employer:
            print("Employer data:")
            employer_name = employer.value.get("Name")
            if employer_name:
                print(
                    "...Name: {} has confidence: {}".format(
                        employer_name.value, employer_name.confidence
                    )
                )
            employer_id = employer.value.get("IdNumber")
            if employer_id:
                print(
                    "...ID Number: {} has confidence: {}".format(
                        employer_id.value, employer_id.confidence
                    )
                )
            employer_address = employer.value.get("Address")
            if employer_address:
                print(
                    "...Address: {}\n......has confidence: {}".format(
                        format_address_value(employer_address.value),
                        employer_address.confidence,
                    )
                )
            employer_zipcode = employer.value.get("ZipCode")
            if employer_zipcode:
                print(
                    "...Zipcode: {} has confidence: {}".format(
                        employer_zipcode.value, employer_zipcode.confidence
                    )
                )
        wages_tips = w2.fields.get("WagesTipsAndOtherCompensation")
        if wages_tips:
            print(
                "Wages, tips, and other compensation: {} has confidence: {}".format(
                    wages_tips.value,
                    wages_tips.confidence,
                )
            )
        fed_income_tax_withheld = w2.fields.get("FederalIncomeTaxWithheld")
        if fed_income_tax_withheld:
            print(
                "Federal income tax withheld: {} has confidence: {}".format(
                    fed_income_tax_withheld.value, fed_income_tax_withheld.confidence
                )
            )
        social_security_wages = w2.fields.get("SocialSecurityWages")
        if social_security_wages:
            print(
                "Social Security wages: {} has confidence: {}".format(
                    social_security_wages.value, social_security_wages.confidence
                )
            )
        social_security_tax_withheld = w2.fields.get("SocialSecurityTaxWithheld")
        if social_security_tax_withheld:
            print(
                "Social Security tax withheld: {} has confidence: {}".format(
                    social_security_tax_withheld.value,
                    social_security_tax_withheld.confidence,
                )
            )
        medicare_wages_tips = w2.fields.get("MedicareWagesAndTips")
        if medicare_wages_tips:
            print(
                "Medicare wages and tips: {} has confidence: {}".format(
                    medicare_wages_tips.value, medicare_wages_tips.confidence
                )
            )
        medicare_tax_withheld = w2.fields.get("MedicareTaxWithheld")
        if medicare_tax_withheld:
            print(
                "Medicare tax withheld: {} has confidence: {}".format(
                    medicare_tax_withheld.value, medicare_tax_withheld.confidence
                )
            )
        social_security_tips = w2.fields.get("SocialSecurityTips")
        if social_security_tips:
            print(
                "Social Security tips: {} has confidence: {}".format(
                    social_security_tips.value, social_security_tips.confidence
                )
            )
        allocated_tips = w2.fields.get("AllocatedTips")
        if allocated_tips:
            print(
                "Allocated tips: {} has confidence: {}".format(
                    allocated_tips.value,
                    allocated_tips.confidence,
                )
            )
        verification_code = w2.fields.get("VerificationCode")
        if verification_code:
            print(
                "Verification code: {} has confidence: {}".format(
                    verification_code.value, verification_code.confidence
                )
            )
        dependent_care_benefits = w2.fields.get("DependentCareBenefits")
        if dependent_care_benefits:
            print(
                "Dependent care benefits: {} has confidence: {}".format(
                    dependent_care_benefits.value,
                    dependent_care_benefits.confidence,
                )
            )
        non_qualified_plans = w2.fields.get("NonQualifiedPlans")
        if non_qualified_plans:
            print(
                "Non-qualified plans: {} has confidence: {}".format(
                    non_qualified_plans.value,
                    non_qualified_plans.confidence,
                )
            )
        additional_info = w2.fields.get("AdditionalInfo")
        if additional_info:
            print("Additional information:")
            for item in additional_info.value:
                letter_code = item.value.get("LetterCode")
                if letter_code:
                    print(
                        "...Letter code: {} has confidence: {}".format(
                            letter_code.value, letter_code.confidence
                        )
                    )
                amount = item.value.get("Amount")
                if amount:
                    print(
                        "...Amount: {} has confidence: {}".format(
                            amount.value, amount.confidence
                        )
                    )
        is_statutory_employee = w2.fields.get("IsStatutoryEmployee")
        if is_statutory_employee:
            print(
                "Is statutory employee: {} has confidence: {}".format(
                    is_statutory_employee.value, is_statutory_employee.confidence
                )
            )
        is_retirement_plan = w2.fields.get("IsRetirementPlan")
        if is_retirement_plan:
            print(
                "Is retirement plan: {} has confidence: {}".format(
                    is_retirement_plan.value, is_retirement_plan.confidence
                )
            )
        third_party_sick_pay = w2.fields.get("IsThirdPartySickPay")
        if third_party_sick_pay:
            print(
                "Is third party sick pay: {} has confidence: {}".format(
                    third_party_sick_pay.value, third_party_sick_pay.confidence
                )
            )
        other_info = w2.fields.get("Other")
        if other_info:
            print(
                "Other information: {} has confidence: {}".format(
                    other_info.value,
                    other_info.confidence,
                )
            )
        state_tax_info = w2.fields.get("StateTaxInfos")
        if state_tax_info:
            print("State Tax info:")
            for tax in state_tax_info.value:
                state = tax.value.get("State")
                if state:
                    print(
                        "...State: {} has confidence: {}".format(
                            state.value, state.confidence
                        )
                    )
                employer_state_id_number = tax.value.get("EmployerStateIdNumber")
                if employer_state_id_number:
                    print(
                        "...Employer state ID number: {} has confidence: {}".format(
                            employer_state_id_number.value,
                            employer_state_id_number.confidence,
                        )
                    )
                state_wages_tips = tax.value.get("StateWagesTipsEtc")
                if state_wages_tips:
                    print(
                        "...State wages, tips, etc: {} has confidence: {}".format(
                            state_wages_tips.value, state_wages_tips.confidence
                        )
                    )
                state_income_tax = tax.value.get("StateIncomeTax")
                if state_income_tax:
                    print(
                        "...State income tax: {} has confidence: {}".format(
                            state_income_tax.value, 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.value:
                local_wages_tips = tax.value.get("LocalWagesTipsEtc")
                if local_wages_tips:
                    print(
                        "...Local wages, tips, etc: {} has confidence: {}".format(
                            local_wages_tips.value, local_wages_tips.confidence
                        )
                    )
                local_income_tax = tax.value.get("LocalIncomeTax")
                if local_income_tax:
                    print(
                        "...Local income tax: {} has confidence: {}".format(
                            local_income_tax.value, local_income_tax.confidence
                        )
                    )
                locality_name = tax.value.get("LocalityName")
                if locality_name:
                    print(
                        "...Locality name: {} has confidence: {}".format(
                            locality_name.value, locality_name.confidence
                        )
                    )

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


if __name__ == "__main__":
    analyze_tax_us_w2()

Ga naar de Opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het W-2-belastingmodel.

Het factuurmodel gebruiken

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

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


def analyze_invoice():

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

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

    poller = client.begin_analyze_document(
            "prebuilt-invoice", invoiceUrl)
    invoices = poller.result()

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

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

if __name__ == "__main__":
    analyze_invoice()

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het factuurmodel.

Het ontvangstbewijsmodel gebruiken

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", receiptUrl, locale="en-US"
    )
    receipts = poller.result()
    for idx, receipt in enumerate(receipts.documents):
         print("--------Analysis of receipt #{}--------".format(idx   1))
        print("Receipt type: {}".format(receipt.doc_type or "N/A"))
        merchant_name = receipt.fields.get("MerchantName")
        if merchant_name:
            print(
                "Merchant Name: {} has confidence: {}".format(
                    merchant_name.value, merchant_name.confidence
                )
            )
        transaction_date = receipt.fields.get("TransactionDate")
        if transaction_date:
            print(
                "Transaction Date: {} has confidence: {}".format(
                    transaction_date.value, transaction_date.confidence
                )
            )
        if receipt.fields.get("Items"):
            print("Receipt items:")
            for idx, item in enumerate(receipt.fields.get("Items").value):
                 print("...Item #{}".format(idx   1))
                item_description = item.value.get("Description")
                if item_description:
                    print(
                        "......Item Description: {} has confidence: {}".format(
                            item_description.value, item_description.confidence
                        )
                    )
                item_quantity = item.value.get("Quantity")
                if item_quantity:
                    print(
                        "......Item Quantity: {} has confidence: {}".format(
                            item_quantity.value, item_quantity.confidence
                        )
                    )
                item_price = item.value.get("Price")
                if item_price:
                    print(
                        "......Individual Item Price: {} has confidence: {}".format(
                            item_price.value, item_price.confidence
                        )
                    )
                item_total_price = item.value.get("TotalPrice")
                if item_total_price:
                    print(
                        "......Total Item Price: {} has confidence: {}".format(
                            item_total_price.value, item_total_price.confidence
                        )
                    )
        subtotal = receipt.fields.get("Subtotal")
        if subtotal:
            print(
                "Subtotal: {} has confidence: {}".format(
                    subtotal.value, subtotal.confidence
                )
            )
        tax = receipt.fields.get("TotalTax")
        if tax:
            print("Total tax: {} has confidence: {}".format(tax.value, tax.confidence))
        tip = receipt.fields.get("Tip")
        if tip:
            print("Tip: {} has confidence: {}".format(tip.value, tip.confidence))
        total = receipt.fields.get("Total")
        if total:
            print("Total: {} has confidence: {}".format(total.value, total.confidence))
        print("--------------------------------------")


if __name__ == "__main__":
    analyze_receipts()

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het ontvangstbewijsmodel.

Het id-documentmodel gebruiken

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", identityUrl
        )
    id_documents = poller.result()

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

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

if __name__ == "__main__":
    analyze_identity_documents()

Ga naar de opslagplaats met Azure-voorbeelden op GitHub en bekijk de uitvoer van het id-documentmodel.

Notitie

Dit project maakt gebruik van het opdrachtregelprogramma cURL om REST API-aanroepen uit te voeren.

| Document Intelligence REST API | ondersteunde Azure SDK's

Vereisten

• Een Azure-abonnement: maak er gratis een.

• Het cURL-opdrachtregelprogramma geïnstalleerd. Windows 10 en Windows 11 worden geleverd met een kopie van cURL. Typ bij een opdrachtprompt de volgende cURL-opdracht. Als de Help-opties worden weergegeven, wordt cURL geïnstalleerd in uw Windows-omgeving.

  curl -help
  

  Als cURL niet is geïnstalleerd, kunt u deze hier downloaden:

  • Windows
  • Mac of Linux

• Een Azure AI-services of Document Intelligence-resource. Maak een enkele service of meerdere services. U kunt de gratis prijscategorie (F0) gebruiken om de service uit te proberen, en later upgraden naar een betaalde laag voor productie.

• De sleutel en het eindpunt van de resource die u maakt om uw toepassing te verbinden met de Azure Document Intelligence-service.

  1. Nadat de resource is geïmplementeerd, selecteert u Ga naar de resource.
  2. Selecteer sleutels en eindpunt in het linkernavigatiemenu.
  3. Kopieer een van de sleutels en het eindpunt voor gebruik verderop in dit artikel.

  

Uw omgevingsvariabelen instellen

Als u wilt communiceren met de Document Intelligence-service, moet u een exemplaar van de DocumentAnalysisClient klasse maken. U doet dit door de client te instantiëren met uw key en endpoint vanuit Azure Portal. Gebruik voor dit project omgevingsvariabelen om referenties op te slaan en te openen.

Belangrijk

Neem uw sleutel niet rechtstreeks op in de code en plaats deze nooit openbaar. Gebruik voor productie een veilige manier om uw referenties op te slaan en te openen, zoals Azure Key Vault. Zie Beveiliging van Azure AI-services voor meer informatie.

Als u de omgevingsvariabele voor uw Document Intelligence-resourcesleutel wilt instellen, opent u een consolevenster en volgt u de instructies voor uw besturingssysteem en ontwikkelomgeving. Vervang <yourKey> en <yourEndpoint> door de waarden van uw resource in Azure Portal.

Windows

Omgevingsvariabelen in Windows zijn niet hoofdlettergevoelig. Ze worden meestal in hoofdletters gedeclareerd, met woorden die zijn samengevoegd met een onderstrepingsteken. Voer bij een opdrachtprompt de volgende opdrachten uit:

1. Stel uw sleutelvariabele in:

   setx DI_KEY <yourKey>
   

2. Uw eindpuntvariabele instellen

   setx DI_ENDPOINT <yourEndpoint>
   

3. Sluit het opdrachtpromptvenster nadat u de omgevingsvariabelen hebt ingesteld. De waarden blijven behouden totdat u ze opnieuw wijzigt.

4. Start alle actieve programma's die de omgevingsvariabele lezen opnieuw. Als u bijvoorbeeld Visual Studio of Visual Studio Code als editor gebruikt, start u opnieuw voordat u de voorbeeldcode uitvoert.

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
setx VARIABLE_NAME=	Verwijder de omgevingsvariabele door de waarde in te stellen op een lege tekenreeks.	setx DI_KEY=
setx VARIABLE_NAME=value	Stel de waarde van een omgevingsvariabele in of wijzig deze.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	De waarde van een specifieke omgevingsvariabele weergeven.	set DI_KEY
set	Alle omgevingsvariabelen weergeven.	set

MacOS

Omgevingsvariabelen in macOS zijn hoofdlettergevoelig. De naam van de variabele wordt conventioneel gedeclareerd in hoofdletters.

Met export de opdracht wordt de variabele ingesteld en geëxporteerd naar de globale omgeving, die beschikbaar is voor andere processen. De waarde is echter tijdelijk en duurt alleen totdat u de terminalsessie sluit. Open de terminal en voer de volgende opdrachten in:

1. Stel uw sleutelvariabele in:

   export key=<yourKey>
   

2. Stel uw eindpuntvariabele in:

   export endpoint=<yourEndpoint>
   

Als u een omgevingsvariabele permanent wilt instellen, plaatst u een exportopdracht in uw Bash-opstartscript ~/.bash_profile :

1. Gebruik een teksteditor om het bestand ~/.bash_profile te openen en voeg de volgende opdracht toe om een permanente omgevingsvariabele te maken:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Voorbeeld: export DI_KEY="<yourKey>"

2. Sla de wijzigingen op in het bash_profile-bestand .

3. Voer de volgende opdracht uit vanuit het terminalvenster om de wijzigingen effectief te maken:

   source ~/.bash-profile
   

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
unset VARIABLE_NAME	Een omgevingsvariabele verwijderen.	unset DI_KEY
export VARIABLE_NAME=value	Stel de waarde van een tijdelijke omgevingsvariabele in of wijzig deze.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	De waarde van een specifieke omgevingsvariabele weergeven. Met de echo opdracht gaat u vooraf aan de variabele met $.	printenv DI_KEY echo $DI_KEY
printenv	Alle omgevingsvariabelen weergeven.	printenv

Linux

Omgevingsvariabelen in Linux zijn hoofdlettergevoelig. De naam van de variabele wordt conventioneel gedeclareerd in hoofdletters.

Met export de opdracht wordt de variabele ingesteld en geëxporteerd naar de globale omgeving, die beschikbaar is voor andere processen. De waarde is echter tijdelijk en duurt alleen totdat u de terminalsessie sluit:

1. Stel uw sleutelvariabele in:

   export DI_KEY=<yourKey>
   

2. Stel uw eindpuntvariabele in:

   export DI_ENDPOINT=<yourEndpoint>
   

Als u een omgevingsvariabele permanent wilt instellen, plaatst u een exportopdracht in uw Bash-opstartscript ~/.bashrc :

1. Gebruik een teksteditor om het bestand ~/.bashrc te openen en voeg de volgende opdracht toe om een permanente omgevingsvariabele te maken:

   export <VARIABLE>=<value>
   

   Voorbeeld: export DI_KEY=<yourKey>

2. Sla uw wijzigingen op in het .bashrc-bestand .

3. Voer de volgende opdracht uit vanuit het terminalvenster om de wijzigingen effectief te maken:

   source ~/.bashrc
   

Hier volgen enkele nuttigere opdrachten voor gebruik met omgevingsvariabelen:

Opdracht	Actie	Opmerking
unset VARIABLE_NAME	Een omgevingsvariabele verwijderen.	unset DI_KEY=
export VARIABLE_NAME=value	Stel de waarde van een tijdelijke omgevingsvariabele in of wijzig deze.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	De waarde van een omgevingsvariabele weergeven. Met de echo opdracht gaat u vooraf aan de variabele met $.	printenv DI_KEY echo $DI_KEY
printenv	Alle omgevingsvariabelen weergeven.	printenv

Documenten analyseren en resultaten ophalen

Een POST-aanvraag wordt gebruikt voor het analyseren van documenten met een vooraf samengesteld of aangepast model. Een GET-aanvraag wordt gebruikt om het resultaat van een documentanalyseoproep op te halen. De modelId wordt gebruikt met POST en resultId met GET-bewerkingen.

Gebruik de volgende tabel als verwijzing. Vervang <modelId> en <document-URL> door de gewenste waarden:

Model	modelId	beschrijving	document-URL
Model lezen	vooraf gedefinieerde leesbewerking	Voorbeeldbrochure	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/read.png
Indelingsmodel	vooraf gedefinieerde indeling	Voorbeeld van reserveringsbevestiging	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/layout.png
W-2-formuliermodel	prebuilt-tax.us.w2	Voorbeeld van W-2-formulier	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png
Factuurmodel	vooraf samengestelde factuur	Voorbeeldfactuur	https://github.com/Azure-Samples/cognitive-services-REST-api-samples/raw/master/curl/form-recognizer/rest-api/invoice.pdf
Ontvangstbewijsmodel	vooraf samengestelde ontvangstbevestiging	Voorbeeldbevestiging	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/receipt.png
Id-documentmodel	vooraf samengesteld-idDocument	Voorbeeld-id-document	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png

POST-aanvraag

Open een consolevenster en voer de volgende cURL-opdracht uit. De opdrachten omvatten het eindpunt en de sleutelomgevingsvariabelen die eerder zijn gemaakt in de sectie omgevingsvariabelen instellen. Vervang deze variabelen als de namen van uw variabelen verschillen. Vergeet niet om de <modelId> - en <document-URL-parameters> te vervangen.

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>'}"

Als u mogelijkheden voor invoegtoepassingen wilt inschakelen, gebruikt u de features queryparameter in de POST-aanvraag. Er zijn vier uitbreidingsmogelijkheden beschikbaar voor de 2023-07-31 (GA) en latere releases: ocr.highResolution, ocr.formula, ocr.font en queryFields.premium. Zie Aangepaste modellen voor meer informatie over elk van de mogelijkheden.

U kunt alleen de mogelijkheden voor highResolution, formule en lettertype aanroepen voor het model Lezen en Indeling, en de mogelijkheid queryFields voor het model Algemene documenten. In het volgende voorbeeld ziet u hoe u de highResolution-, formule- en lettertypemogelijkheden voor het indelingsmodel aanroept.

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

POST-antwoord

U ontvangt een 202 (Success) antwoord met een Operation-location header. Gebruik de waarde van deze header om de antwoordresultaten op te halen.

Resultaat van analyse ophalen (GET-aanvraag)

Nadat u de Analyze document API hebt aangeroepen, roept u de API [Get analyze result}(/rest/api/aiservices/document-models/get-analyze-result?view=rest-aiservices-2024-02-29-preview&preserve-view=true&tabs=HTTP) API aan om de status van de bewerking en de geëxtraheerde gegevens op te halen.

Met het opdrachtregelprogramma cURL worden GEEN API-antwoorden opgemaakt die JSON-inhoud bevatten, waardoor de inhoud moeilijk te lezen is. Als u het JSON-antwoord wilt opmaken, neemt u het pipeteken op, gevolgd door een JSON-opmaakprogramma met uw GET-aanvraag.

Windows

Gebruik het hulpprogramma NodeJS json als JSON-formatter voor cURL. Als u Node.js niet hebt geïnstalleerd, downloadt en installeert u de nieuwste versie.

1. Open een consolevenster en installeer het json-hulpprogramma met behulp van de volgende opdracht:

   npm install -g jsontool
   

2. Druk de JSON-uitvoer af door het pipe-teken | json met uw GET-aanvragen op te slaan.

   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

Het json_pp opdrachtprogramma wordt geleverd met macOS en kan worden gebruikt als JSON-formatter voor cURL.

• Druk de JSON-uitvoer goed af door uw GET-aanvragen op te halen | json_pp .

  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

Het opdrachtregelprogramma json_pp is vooraf geïnstalleerd in de meeste Linux-distributies. Als deze niet is opgenomen, kunt u het pakketbeheer van uw distributie gebruiken om het te installeren.

• Druk de JSON-uitvoer goed af door uw aanvragen op te GET slaan| json_pp.

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

GET-aanvraag

Voordat u de volgende opdracht uitvoert, moet u deze wijzigingen aanbrengen:

• Vervang <POST-antwoord> door de Operation-location koptekst van het POST-antwoord.
• Vervang <DI_KEY door de variabele voor uw omgevingsvariabele als deze verschilt van de naam in de code.
• Vervang *<json-tool> door het JSON-opmaakprogramma.

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

Het antwoord bekijken

U ontvangt een 200 (Success) antwoord met JSON-uitvoer. Het eerste veld, status, geeft de status van de bewerking aan. Als de bewerking niet is voltooid, is running of statusnotStarted. Roep de API opnieuw aan, handmatig of via een script. Een interval van één seconde of meer tussen oproepen wordt aanbevolen.

Ga naar de Opslagplaats met Azure-voorbeelden op GitHub om het GET antwoord voor elk van de Document Intelligence-modellen weer te geven:

Model	Uitvoer-URL
Model lezen	Modeluitvoer lezen
Indelingsmodel	Uitvoer van indelingsmodel
W-2 belastingmodel	Uitvoer van W-2-belastingmodel
Factuurmodel	Uitvoer van factuurmodel
Ontvangstbewijsmodel	Uitvoer van ontvangstmodel
Id-documentmodel	Uitvoer van id-documentmodel

Volgende stappen

Gefeliciteerd U hebt geleerd om Document Intelligence-modellen te gebruiken om verschillende documenten op verschillende manieren te analyseren. Bekijk vervolgens de Document Intelligence Studio en referentiedocumentatie.

De Document Intelligence Studioverkennen van de Document Intelligence REST API