Wprowadzenie do analizy dokumentów

Ważne

• Rozpoznawanie formularzy usług Azure Cognitive Services to teraz analiza dokumentów usługi Azure AI.
• Niektóre platformy nadal czekają na zmianę nazwy aktualizacji.
• Wszystkie wzmianki o rozpoznawaniu formularzy lub analizie dokumentów w naszej dokumentacji odnoszą się do tej samej usługi platformy Azure.

Ta zawartość dotyczy: wersja 3.1 (GA) Wcześniejsze wersje: v3.0 v2.1

• Rozpoczynanie pracy z najnowszą wersją ogólnie dostępnej usługi Azure Form Recognizer (2023-07-31).

• Azure AI Document Intelligence / Form Recognizer to oparta na chmurze usługa Azure AI, która używa uczenia maszynowego do wyodrębniania par klucz-wartość, tekstu, tabel i kluczowych danych z dokumentów.

• Modele przetwarzania dokumentów można łatwo zintegrować z przepływami pracy i aplikacjami przy użyciu zestawu SDK języka programowania lub wywoływania interfejsu API REST.

• W tym przewodniku Szybki start zalecamy korzystanie z bezpłatnej usługi podczas uczenia się technologii. Pamiętaj, że liczba bezpłatnych stron jest ograniczona do 500 miesięcznie.

Aby dowiedzieć się więcej o funkcjach interfejsu API i opcjach programowania, odwiedź naszą stronę Przegląd .

Dokumentacja zestawu SDK biblioteki | klienta — pakiet referencyjny | | interfejsu API (NuGet) | Przykłady | obsługiwanej wersji interfejsu API REST

W tym przewodniku Szybki start użyj następujących funkcji, aby analizować i wyodrębniać dane oraz wartości z formularzy i dokumentów:

• Model układu — analizuj i wyodrębniaj tabele, linie, wyrazy i znaczniki zaznaczenia, takie jak przyciski radiowe i pola wyboru w dokumentach, bez konieczności trenowania modelu.

• Wstępnie utworzony model — analizowanie i wyodrębnianie typowych pól z określonych typów dokumentów przy użyciu wstępnie utworzonego modelu.

Wymagania wstępne

• Subskrypcja platformy Azure — utwórz jedną bezpłatnie.

• Bieżąca wersja środowiska IDE programu Visual Studio.

• Usługi azure AI lub zasób rozpoznawania formularzy. Po utworzeniu subskrypcji platformy Azure utwórz zasób wielosób wielosłużytkowy usługi azure lub usługi Azure AI w witrynie Azure Portal, aby uzyskać klucz i punkt końcowy.

• Możesz użyć warstwy cenowej bezpłatna (F0), aby wypróbować usługę, a następnie uaktualnić ją do warstwy płatnej dla środowiska produkcyjnego.

Napiwek

Utwórz zasób usług Azure AI, jeśli planujesz uzyskać dostęp do wielu usług azure AI w ramach jednego punktu końcowego/klucza. W przypadku dostępu tylko do rozpoznawania formularzy utwórz zasób rozpoznawania formularzy. Należy pamiętać, że jeśli zamierzasz używać uwierzytelniania firmy Microsoft Entra, potrzebujesz zasobu z jedną usługą.

• Po wdrożeniu zasobu wybierz pozycję Przejdź do zasobu. Potrzebny jest klucz i punkt końcowy z utworzonego zasobu, aby połączyć aplikację z interfejsem API rozpoznawania formularzy. Klucz i punkt końcowy wklejasz do kodu w dalszej części przewodnika Szybki start:

  

Konfiguruj

1. Uruchom program Visual Studio.

2. Na stronie początkowej wybierz pozycję Utwórz nowy projekt.

   

3. Na stronie Tworzenie nowego projektu wprowadź konsolę w polu wyszukiwania. Wybierz szablon Aplikacja konsolowa, a następnie wybierz pozycję Dalej.

   

4. W oknie dialogowym Konfigurowanie nowego projektu wprowadź form_recognizer_quickstart w polu Nazwa projektu. Następnie wybierz pozycję Dalej.

5. W oknie dialogowym Dodatkowe informacje wybierz pozycję .NET 8.0 (obsługa długoterminowa), a następnie wybierz pozycję Utwórz.

   

Instalowanie biblioteki klienta za pomocą narzędzia NuGet

1. Kliknij prawym przyciskiem myszy projekt form_recognizer_quickstart i wybierz polecenie Zarządzaj pakietami NuGet... .

   

2. Wybierz kartę Przeglądaj i wpisz Azure.AI.FormRecognizer. Wybierz wersję 4.1.0 z menu rozwijanego

   

Kompilowanie aplikacji

Aby wchodzić w interakcje z usługą rozpoznawania formularzy, musisz utworzyć wystąpienie DocumentAnalysisClient klasy. W tym celu należy utworzyć element AzureKeyCredential za key pomocą witryny Azure Portal i DocumentAnalysisClient wystąpienia za pomocą narzędzia AzureKeyCredential rozpoznawania formularzy endpointi .

Uwaga

• Począwszy od platformy .NET 6, nowe projekty korzystające z console szablonu generują nowy styl programu, który różni się od poprzednich wersji.
• Nowe dane wyjściowe korzystają z ostatnich funkcji języka C#, które upraszczają pisanie kodu.
• W przypadku korzystania z nowszej wersji wystarczy napisać treść Main metody. Nie trzeba dołączać instrukcji najwyższego poziomu, globalnych dyrektyw using ani niejawnych dyrektyw using.
• Aby uzyskać więcej informacji, zobacz Nowe szablony języka C# generują instrukcje najwyższego poziomu.

1. Otwórz plik Program.cs.

2. Usuń istniejący kod, w tym wiersz Console.Writeline("Hello World!"), i wybierz jeden z następujących przykładów kodu, aby skopiować i wkleić go do pliku Program.cs aplikacji:

   • Model układu

   • Wstępnie utworzony model

Ważne

Pamiętaj, aby usunąć klucz z kodu po zakończeniu i nigdy nie publikować go publicznie. W przypadku środowiska produkcyjnego użyj bezpiecznego sposobu przechowywania i uzyskiwania dostępu do poświadczeń, takich jak usługa Azure Key Vault. Aby uzyskać więcej informacji, zobacz Zabezpieczenia usług Azure AI.

Model układu

Wyodrębnij tekst, znaczniki zaznaczenia, style tekstu, struktury tabel i współrzędne regionu ograniczenia z dokumentów.

• W tym przykładzie potrzebny będzie plik dokumentu z identyfikatora URI. W tym przewodniku Szybki start możesz użyć naszego przykładowego dokumentu .
• Dodaliśmy wartość identyfikatora URI pliku do Uri fileUri zmiennej w górnej części skryptu.
• Aby wyodrębnić układ z danego pliku w identyfikatorze URI, użyj StartAnalyzeDocumentFromUri metody i przekaż prebuilt-layout jako identyfikator modelu. Zwracana wartość jest obiektem zawierającym AnalyzeResult dane z przesłanego dokumentu.

Dodaj następujący przykładowy kod do pliku Program.cs. Upewnij się, że zaktualizowano zmienne klucza i punktu końcowego przy użyciu wartości z wystąpienia usługi Rozpoznawanie formularzy w witrynie Azure Portal:

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

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

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

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

AnalyzeResult result = operation.Value;

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

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

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

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

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

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

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

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

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

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

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

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

Uruchamianie aplikacji

Po dodaniu przykładowego kodu do aplikacji wybierz zielony przycisk Start obok formRecognizer_quickstart, aby skompilować i uruchomić program, lub naciśnij F5.

Dane wyjściowe modelu układu

Oto fragment oczekiwanego danych wyjściowych:

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

Aby wyświetlić wszystkie dane wyjściowe, odwiedź repozytorium przykładów platformy Azure w witrynie GitHub, aby wyświetlić dane wyjściowe modelu układu.

Wstępnie utworzony model

Analizowanie i wyodrębnianie typowych pól z określonych typów dokumentów przy użyciu wstępnie utworzonego modelu. W tym przykładzie analizujemy fakturę przy użyciu wstępnie utworzonego modelu faktury .

Napiwek

Nie masz ograniczeń do faktur — istnieje kilka wstępnie utworzonych modeli do wyboru, z których każdy ma własny zestaw obsługiwanych pól. Model do użycia dla analyze operacji zależy od typu dokumentu do przeanalizowania. Zobacz wyodrębnianie danych modelu.

• Analizowanie faktury przy użyciu wstępnie utworzonego modelu faktury. Na potrzeby tego przewodnika Szybki start możesz użyć naszego przykładowego dokumentu faktury.
• Dodaliśmy wartość identyfikatora URI pliku do Uri invoiceUri zmiennej w górnej części pliku Program.cs.
• Aby przeanalizować dany plik przy użyciu identyfikatora URI, użyj StartAnalyzeDocumentFromUri metody i przekaż prebuilt-invoice go jako identyfikator modelu. Zwracana wartość jest obiektem zawierającym AnalyzeResult dane z przesłanego dokumentu.
• Dla uproszczenia wszystkie pary klucz-wartość zwracane przez usługę nie są tutaj wyświetlane. Aby wyświetlić listę wszystkich obsługiwanych pól i odpowiednich typów, zobacz naszą stronę koncepcji faktury .

Dodaj następujący przykładowy kod do pliku Program.cs. Upewnij się, że zaktualizowano zmienne klucza i punktu końcowego przy użyciu wartości z wystąpienia usługi Rozpoznawanie formularzy w witrynie Azure Portal:

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

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

//sample invoice document

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

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

AnalyzeResult result = operation.Value;

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

    AnalyzedDocument document = result.Documents[i];

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

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

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

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

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

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

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

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

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

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

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

Uruchamianie aplikacji

Po dodaniu przykładowego kodu do aplikacji wybierz zielony przycisk Start obok formRecognizer_quickstart, aby skompilować i uruchomić program, lub naciśnij F5.

Wstępnie utworzone dane wyjściowe modelu

Oto fragment oczekiwanego danych wyjściowych:

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

Aby wyświetlić wszystkie dane wyjściowe, odwiedź repozytorium przykładów platformy Azure w witrynie GitHub, aby wyświetlić wstępnie utworzone dane wyjściowe modelu faktur.

Dokumentacja interfejsu API REST ( | Maven) | Przykłady| obsługiwanej wersji interfejsu API REST biblioteki klienta | |

W tym przewodniku Szybki start użyj następujących funkcji, aby analizować i wyodrębniać dane oraz wartości z formularzy i dokumentów:

• Układ — analizuj i wyodrębniaj tabele, linie, wyrazy i znaczniki zaznaczenia, takie jak przyciski radiowe i pola wyboru w dokumentach, bez konieczności trenowania modelu.

• Wstępnie utworzona faktura — analizowanie i wyodrębnianie typowych pól z określonych typów dokumentów przy użyciu wstępnie wytrenowanego modelu.

Wymagania wstępne

• Subskrypcja platformy Azure — utwórz jedną bezpłatnie.

• Najnowsza wersja programu Visual Studio Code lub preferowanego środowiska IDE. Zobacz Java w programie Visual Studio Code.

  Napiwek

  • Program Visual Studio Code oferuje pakiet kodowania dla języka Java dla systemów Windows i macOS. Pakiet kodowania jest pakietem programu VS Code, zestawem Java Development Kit (JDK) i kolekcją sugerowanych rozszerzeń firmy Microsoft. Pakiet kodowania może również służyć do naprawiania istniejącego środowiska programistycznego.
  • Jeśli używasz programu VS Code i pakietu programistycznego dla języka Java, zainstaluj rozszerzenie Gradle for Java .

• Jeśli nie używasz programu Visual Studio Code, upewnij się, że w środowisku projektowym zainstalowano następujące elementy:

  • Zestaw Java Development Kit (JDK) w wersji 8 lub nowszej. Aby uzyskać więcej informacji, zobacz Microsoft Build of OpenJDK (Microsoft Build of OpenJDK).

  • Gradle, wersja 6.8 lub nowsza.

• Usługi azure AI lub zasób analizy dokumentów. Po utworzeniu subskrypcji platformy Azure utwórz zasób analizy dokumentów z jedną usługą lub wieloma usługami w witrynie Azure Portal, aby uzyskać klucz i punkt końcowy. Możesz użyć warstwy cenowej bezpłatna (F0), aby wypróbować usługę, a następnie uaktualnić ją do warstwy płatnej dla środowiska produkcyjnego.

  Napiwek

  Utwórz zasób usług Azure AI, jeśli planujesz uzyskać dostęp do wielu usług azure AI w ramach jednego punktu końcowego/klucza. W przypadku dostępu tylko do analizy dokumentów utwórz zasób analizy dokumentów. Należy pamiętać, że jeśli zamierzasz używać uwierzytelniania firmy Microsoft Entra, potrzebujesz zasobu z jedną usługą.

• Po wdrożeniu zasobu wybierz pozycję Przejdź do zasobu. Potrzebujesz klucza i punktu końcowego z utworzonego zasobu, aby połączyć aplikację z interfejsem API analizy dokumentów. Później wklejasz klucz i punkt końcowy do kodu:

  

Konfiguruj

Tworzenie nowego projektu narzędzia Gradle

1. W oknie konsoli (takim jak cmd, PowerShell lub Bash) utwórz nowy katalog dla aplikacji o nazwie form-recognize-app i przejdź do niego.

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

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

2. gradle init Uruchom polecenie z katalogu roboczego. To polecenie tworzy podstawowe pliki kompilacji dla narzędzia Gradle, w tym build.gradle.kts, które są używane w czasie wykonywania do tworzenia i konfigurowania aplikacji.

   gradle init --type basic
   

3. Po wyświetleniu monitu wybierz pozycję Język DSL, a następnie Kotlin.

4. Zaakceptuj domyślną nazwę projektu (form-recognize-app), wybierając pozycję Return lub Enter.

Instalowanie biblioteki klienta

W tym przewodniku Szybki start jest używany menedżer zależności narzędzia Gradle. Bibliotekę klienta i informacje dotyczące innych menedżerów zależności można znaleźć w repozytorium centralnym programu Maven.

Otwórz plik build.gradle.kts projektu w środowisku IDE. Copay i wklej następujący kod, aby dołączyć bibliotekę klienta jako instrukcję implementation wraz z wymaganymi wtyczkami i ustawieniami.

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

   }

Tworzenie aplikacji Java

Aby wchodzić w interakcje z usługą Analizy dokumentów, musisz utworzyć wystąpienie DocumentAnalysisClient klasy . W tym celu należy utworzyć element za AzureKeyCredential key pomocą witryny Azure Portal i DocumentAnalysisClient wystąpienia za pomocą narzędzia AzureKeyCredential i analizy endpointdokumentów.

1. W katalogu doc-intel-app uruchom następujące polecenie:

   mkdir -p src/main/java
   

   Utworzysz następującą strukturę katalogów:

   

1. Przejdź do java katalogu i utwórz plik o nazwie FormRecognizer.java.

   Napiwek

   • Nowy plik można utworzyć przy użyciu programu PowerShell.
   • Otwórz okno programu PowerShell w katalogu projektu, trzymając wciśnięty Shift i klikając folder prawym przyciskiem myszy.
   • Wpisz następujące polecenie New-Item FormRecognizer.java.

2. Otwórz plik FormRecognizer.java. Skopiuj i wklej jeden z następujących przykładów kodu do aplikacji:

   • Układ

   • Wstępnie utworzona faktura

Ważne

Pamiętaj, aby usunąć klucz z kodu po zakończeniu i nigdy nie publikować go publicznie. W przypadku środowiska produkcyjnego użyj bezpiecznego sposobu przechowywania i uzyskiwania dostępu do poświadczeń, takich jak usługa Azure Key Vault. Aby uzyskać więcej informacji, zobacz Zabezpieczenia usług Azure AI.

Model układu

Wyodrębnij tekst, znaczniki zaznaczenia, style tekstu, struktury tabel i współrzędne regionu ograniczenia z dokumentów.

• W tym przykładzie potrzebny będzie plik dokumentu w identyfikatorze URI. W tym przewodniku Szybki start możesz użyć naszego przykładowego dokumentu .
• Aby przeanalizować dany plik przy użyciu identyfikatora URI, użyjesz beginAnalyzeDocumentFromUrl metody i przekażesz prebuilt-layout go jako identyfikator modelu. Zwracana wartość to AnalyzeResult obiekt zawierający dane dotyczące przesłanego dokumentu.
• Dodaliśmy wartość identyfikatora URI pliku do zmiennej documentUrl w metodzie main.

Dodaj następujący przykładowy kod do FormRecognizer.java pliku. Pamiętaj, aby zaktualizować zmienne klucza i punktu końcowego przy użyciu wartości z wystąpienia analizy dokumentów w witrynie Azure Portal:

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

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

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

public class FormRecognizer {

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

  public static void main(String[] args) {

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

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

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

    AnalyzeResult analyzeLayoutResult = analyzeLayoutResultPoller.getFinalResult();

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

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

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

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

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

Kompilowanie i uruchamianie aplikacji

Po dodaniu przykładowego kodu do aplikacji wróć do głównego katalogu projektu — form-recognize-app.

1. Skompiluj aplikację za build pomocą polecenia :

   gradle build
   

2. Uruchom aplikację za run pomocą polecenia :

   gradle run
   

Dane wyjściowe modelu układu

Oto fragment oczekiwanego danych wyjściowych:

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

Aby wyświetlić wszystkie dane wyjściowe, odwiedź repozytorium przykładów platformy Azure w witrynie GitHub, aby wyświetlić dane wyjściowe modelu układu.

Wstępnie utworzony model

Analizowanie i wyodrębnianie typowych pól z określonych typów dokumentów przy użyciu wstępnie utworzonego modelu. W tym przykładzie analizujemy fakturę przy użyciu wstępnie utworzonego modelu faktury .

Napiwek

Nie masz ograniczeń do faktur — istnieje kilka wstępnie utworzonych modeli do wyboru, z których każdy ma własny zestaw obsługiwanych pól. Model do użycia dla analyze operacji zależy od typu dokumentu do przeanalizowania. Zobacz wyodrębnianie danych modelu.

• Analizowanie faktury przy użyciu wstępnie utworzonego modelu faktury. Na potrzeby tego przewodnika Szybki start możesz użyć naszego przykładowego dokumentu faktury.
• Dodaliśmy wartość adresu URL pliku do zmiennej invoiceUrl w górnej części pliku.
• Aby przeanalizować dany plik przy użyciu identyfikatora URI, użyjesz beginAnalyzeDocuments metody i przekażesz PrebuiltModels.Invoice go jako identyfikator modelu. Zwracana wartość jest obiektem zawierającym result dane dotyczące przesłanego dokumentu.
• Dla uproszczenia wszystkie pary klucz-wartość zwracane przez usługę nie są tutaj wyświetlane. Aby wyświetlić listę wszystkich obsługiwanych pól i odpowiednich typów, zobacz naszą stronę koncepcji faktury .

Dodaj następujący przykładowy kod do FormRecognizer.java pliku. Pamiętaj, aby zaktualizować zmienne klucza i punktu końcowego przy użyciu wartości z wystąpienia analizy dokumentów w witrynie Azure Portal:

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

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

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

public class FormRecognizer {

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

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

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

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

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

    AnalyzeResult analyzeInvoiceResult = analyzeInvoicePoller.getFinalResult();

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

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

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

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

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

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

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

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

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

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

Kompilowanie i uruchamianie aplikacji

Po dodaniu przykładu kodu do aplikacji wróć do głównego katalogu projektu — doc-intel-app.

1. Skompiluj aplikację za build pomocą polecenia :

   gradle build
   

2. Uruchom aplikację za run pomocą polecenia :

   gradle run
   

Wstępnie utworzone dane wyjściowe modelu

Oto fragment oczekiwanego danych wyjściowych:

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

Aby wyświetlić wszystkie dane wyjściowe, odwiedź repozytorium przykładów platformy Azure w witrynie GitHub, aby wyświetlić wstępnie utworzone dane wyjściowe modelu faktur.

Dokumentacja zestawu SDK biblioteki | klienta — pakiet referencyjny | | interfejsu API REST (npm) | Przykłady |obsługiwanej wersji interfejsu API REST

W tym przewodniku Szybki start użyj następujących funkcji, aby analizować i wyodrębniać dane oraz wartości z formularzy i dokumentów:

• Układ — analizuj i wyodrębniaj tabele, linie, wyrazy i znaczniki zaznaczenia, takie jak przyciski radiowe i pola wyboru w dokumentach, bez konieczności trenowania modelu.

• Wstępnie utworzona faktura — analizowanie i wyodrębnianie typowych pól z określonych typów dokumentów przy użyciu wstępnie wytrenowanego modelu faktury.

Wymagania wstępne

• Subskrypcja platformy Azure — utwórz jedną bezpłatnie.

• Najnowsza wersja programu Visual Studio Code lub preferowanego środowiska IDE. Aby uzyskać więcej informacji, zobacz Node.js w programie Visual Studio Code.

• Najnowsza LTS wersja Node.js.

• Usługi azure AI lub zasób analizy dokumentów. Po utworzeniu subskrypcji platformy Azure utwórz zasób analizy dokumentów z jedną usługą lub wieloma usługami w witrynie Azure Portal, aby uzyskać klucz i punkt końcowy. Możesz użyć warstwy cenowej bezpłatna (F0), aby wypróbować usługę, a następnie uaktualnić ją do warstwy płatnej dla środowiska produkcyjnego.

  Napiwek

  Utwórz zasób usług Azure AI, jeśli planujesz uzyskać dostęp do wielu usług azure AI w ramach jednego punktu końcowego/klucza. W przypadku dostępu tylko do analizy dokumentów utwórz zasób analizy dokumentów. Należy pamiętać, że jeśli zamierzasz używać uwierzytelniania firmy Microsoft Entra, potrzebujesz zasobu z jedną usługą.

• Po wdrożeniu zasobu wybierz pozycję Przejdź do zasobu. Potrzebujesz klucza i punktu końcowego z utworzonego zasobu, aby połączyć aplikację z interfejsem API analizy dokumentów. Klucz i punkt końcowy wklejasz do kodu w dalszej części przewodnika Szybki start:

  

Konfiguruj

1. Utwórz nową aplikację Node.js Express: w oknie konsoli (takim jak cmd, PowerShell lub Bash) utwórz i przejdź do nowego katalogu aplikacji o nazwie doc-intel-app.

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

2. Uruchom polecenie , npm init aby zainicjować aplikację i szkielet projektu.

   npm init
   

3. Określ atrybuty projektu przy użyciu monitów przedstawionych w terminalu.

   • Najważniejsze atrybuty to nazwa, numer wersji i punkt wejścia.
   • Zalecamy zachowanie index.js nazwy punktu wejścia. Opis, polecenie testowe, repozytorium GitHub, słowa kluczowe, autor i informacje o licencji są atrybutami opcjonalnymi — można je pominąć dla tego projektu.
   • Zaakceptuj sugestie w nawiasach, wybierając pozycję Return lub Enter.
   • Po zakończeniu monitów package.json plik zostanie utworzony w katalogu doc-intel-app.

4. Zainstaluj bibliotekę ai-form-recognizer klienta i azure/identity pakiety npm:

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

   • Plik aplikacji package.json jest aktualizowany przy użyciu zależności.

5. Utwórz plik o nazwie index.js w katalogu aplikacji.

   Napiwek

   • Nowy plik można utworzyć przy użyciu programu PowerShell.
   • Otwórz okno programu PowerShell w katalogu projektu, trzymając wciśnięty Shift i klikając folder prawym przyciskiem myszy.
   • Wpisz następujące polecenie New-Item index.js.

Kompilowanie aplikacji

Aby wchodzić w interakcje z usługą Analizy dokumentów, musisz utworzyć wystąpienie DocumentAnalysisClient klasy . W tym celu należy utworzyć element AzureKeyCredential za key pomocą witryny Azure Portal i DocumentAnalysisClient wystąpienia za pomocą narzędzia AzureKeyCredential rozpoznawania formularzy endpointi .

1. index.js Otwórz plik w programie Visual Studio Code lub ulubionym środowisku IDE. Skopiuj i wklej jeden z następujących przykładów kodu do aplikacji:

   • Układ

   • Wstępnie utworzona faktura

Ważne

Pamiętaj, aby usunąć klucz z kodu po zakończeniu i nigdy nie publikować go publicznie. W przypadku środowiska produkcyjnego użyj bezpiecznego sposobu przechowywania i uzyskiwania dostępu do poświadczeń, takich jak usługa Azure Key Vault. Aby uzyskać więcej informacji, zobacz Zabezpieczenia usług Azure AI.

Model układu

Wyodrębnij tekst, znaczniki zaznaczenia, style tekstu, struktury tabel i współrzędne regionu ograniczenia z dokumentów.

• W tym przykładzie potrzebny będzie plik dokumentu z adresu URL. W tym przewodniku Szybki start możesz użyć naszego przykładowego dokumentu .
• Dodaliśmy wartość adresu URL pliku do zmiennej formUrl w górnej części pliku.
• Aby przeanalizować dany plik z adresu URL, użyjesz beginAnalyzeDocuments metody i przekażesz prebuilt-layout go jako identyfikator modelu.

Dodaj następujący przykładowy kod do index.js pliku. Pamiętaj, aby zaktualizować zmienne klucza i punktu końcowego przy użyciu wartości z wystąpienia analizy dokumentów w witrynie Azure Portal:

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

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

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

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

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

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

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

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

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

Uruchamianie aplikacji

Po dodaniu przykładowego kodu do aplikacji uruchom program:

1. Przejdź do folderu, w którym masz aplikację analizy dokumentów (doc-intel-app).

2. Wpisz następujące polecenie w terminalu:

   node index.js
   

Dane wyjściowe modelu układu

Oto fragment oczekiwanego danych wyjściowych:

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

Aby wyświetlić wszystkie dane wyjściowe, odwiedź repozytorium przykładów platformy Azure w witrynie GitHub, aby wyświetlić dane wyjściowe modelu układu.

Wstępnie utworzony model

W tym przykładzie analizujemy fakturę przy użyciu wstępnie utworzonego modelu faktury .

Napiwek

Nie masz ograniczeń do faktur — istnieje kilka wstępnie utworzonych modeli do wyboru, z których każdy ma własny zestaw obsługiwanych pól. Model do użycia dla analyze operacji zależy od typu dokumentu do przeanalizowania. Zobacz wyodrębnianie danych modelu.

• Analizowanie faktury przy użyciu wstępnie utworzonego modelu faktury. Na potrzeby tego przewodnika Szybki start możesz użyć naszego przykładowego dokumentu faktury.
• Dodaliśmy wartość adresu URL pliku do zmiennej invoiceUrl w górnej części pliku.
• Aby przeanalizować dany plik przy użyciu identyfikatora URI, użyjesz beginAnalyzeDocuments metody i przekażesz PrebuiltModels.Invoice go jako identyfikator modelu. Zwracana wartość jest obiektem zawierającym result dane dotyczące przesłanego dokumentu.
• Dla uproszczenia wszystkie pary klucz-wartość zwracane przez usługę nie są tutaj wyświetlane. Aby wyświetlić listę wszystkich obsługiwanych pól i odpowiednich typów, zobacz naszą stronę koncepcji faktury .

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

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

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

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

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

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

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

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

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

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

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

Uruchamianie aplikacji

Po dodaniu przykładowego kodu do aplikacji uruchom program:

1. Przejdź do folderu, w którym masz aplikację analizy dokumentów (doc-intel-app).

2. Wpisz następujące polecenie w terminalu:

   node index.js
   

Wstępnie utworzone dane wyjściowe modelu

Oto fragment oczekiwanego danych wyjściowych:

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

Aby wyświetlić wszystkie dane wyjściowe, odwiedź repozytorium przykładów platformy Azure w witrynie GitHub, aby wyświetlić wstępnie utworzone dane wyjściowe modelu faktur.

Dokumentacja interfejsu API REST ( | PyPi) | Przykłady | obsługiwanej wersji interfejsu API REST biblioteki klienta | |

W tym przewodniku Szybki start użyj następujących funkcji, aby analizować i wyodrębniać dane z formularzy i dokumentów:

• Układ — analizuj i wyodrębniaj tabele, linie, wyrazy i znaczniki zaznaczenia, takie jak przyciski radiowe i pola wyboru, oraz pary klucz-wartość bez konieczności trenowania modelu.

• Wstępnie utworzona faktura — analizowanie i wyodrębnianie typowych pól z określonych typów dokumentów przy użyciu wstępnie wytrenowanego modelu.

Wymagania wstępne

• Subskrypcja platformy Azure — utwórz jedną bezpłatnie.

• Środowisko Python w wersji 3.7 lub nowszej.

  • Instalacja języka Python powinna zawierać narzędzie. Możesz sprawdzić, czy masz zainstalowane narzędzie, uruchamiając polecenie pip --version w wierszu polecenia. Pobierz narzędzie, instalując najnowszą wersję języka Python.

• Najnowsza wersja programu Visual Studio Code lub preferowanego środowiska IDE. Aby uzyskać więcej informacji, zobacz Wprowadzenie do języka Python w programie Visual Studio Code.

• Usługi azure AI lub zasób analizy dokumentów. Po utworzeniu subskrypcji platformy Azure utwórz zasób analizy dokumentów z jedną usługą lub wieloma usługami w witrynie Azure Portal, aby uzyskać klucz i punkt końcowy. Możesz użyć warstwy cenowej bezpłatna (F0), aby wypróbować usługę, a następnie uaktualnić ją do warstwy płatnej dla środowiska produkcyjnego.

Napiwek

Utwórz zasób usług Azure AI, jeśli planujesz uzyskać dostęp do wielu usług azure AI w ramach jednego punktu końcowego/klucza. W przypadku dostępu tylko do analizy dokumentów utwórz zasób analizy dokumentów. Należy pamiętać, że jeśli zamierzasz używać uwierzytelniania firmy Microsoft Entra, potrzebujesz zasobu z jedną usługą.

• Po wdrożeniu zasobu wybierz pozycję Przejdź do zasobu. Potrzebujesz klucza i punktu końcowego z utworzonego zasobu, aby połączyć aplikację z interfejsem API analizy dokumentów. Klucz i punkt końcowy wklejasz do kodu w dalszej części przewodnika Szybki start:

  

Konfiguruj

Otwórz okno terminalu w środowisku lokalnym i zainstaluj bibliotekę klienta azure AI Document Intelligence dla języka Python za pomocą narzędzia:

pip install azure-ai-formrecognizer==3.3.0

Tworzenie aplikacji w języku Python

Aby wchodzić w interakcje z usługą Analizy dokumentów, musisz utworzyć wystąpienie DocumentAnalysisClient klasy . W tym celu należy utworzyć element za AzureKeyCredential key pomocą witryny Azure Portal i DocumentAnalysisClient wystąpienia za pomocą narzędzia AzureKeyCredential i analizy endpointdokumentów.

1. Utwórz nowy plik języka Python o nazwie form_recognizer_quickstart.py w preferowanym edytorze lub środowisku IDE.

2. Otwórz plik form_recognizer_quickstart.py i wybierz jeden z następujących przykładów kodu, aby skopiować i wkleić do aplikacji:

   • Układ

   • Wstępnie utworzona faktura

Ważne

Pamiętaj, aby usunąć klucz z kodu po zakończeniu i nigdy nie publikować go publicznie. W przypadku środowiska produkcyjnego użyj bezpiecznego sposobu przechowywania i uzyskiwania dostępu do poświadczeń, takich jak usługa Azure Key Vault. Aby uzyskać więcej informacji, zobacz Zabezpieczenia usług Azure AI.

Model układu

Wyodrębnij tekst, znaczniki zaznaczenia, style tekstu, struktury tabel i współrzędne regionu ograniczenia z dokumentów.

• W tym przykładzie potrzebny będzie plik dokumentu z adresu URL. W tym przewodniku Szybki start możesz użyć naszego przykładowego dokumentu .
• Dodaliśmy wartość adresu URL pliku do zmiennej formUrl analyze_layout w funkcji .

Aby przeanalizować dany plik pod adresem URL, użyjesz begin_analyze_document_from_url metody i przekażesz prebuilt-layout go jako identyfikator modelu. Zwracana wartość jest obiektem zawierającym result dane dotyczące przesłanego dokumentu.

Dodaj następujący przykładowy kod do aplikacji form_recognizer_quickstart.py. Upewnij się, że zaktualizowano zmienne klucza i punktu końcowego przy użyciu wartości z wystąpienia usługi Rozpoznawanie formularzy w witrynie Azure Portal:

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

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

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

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

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

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

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

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

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

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

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

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

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


if __name__ == "__main__":
    analyze_layout()

Uruchamianie aplikacji

Po dodaniu przykładowego kodu do aplikacji skompiluj i uruchom program:

1. Przejdź do folderu, w którym masz plik form_recognizer_quickstart.py .

2. Wpisz następujące polecenie w terminalu:

   python form_recognizer_quickstart.py
   

Dane wyjściowe modelu układu

Oto fragment oczekiwanego danych wyjściowych:

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

Aby wyświetlić wszystkie dane wyjściowe, odwiedź repozytorium przykładów platformy Azure w witrynie GitHub, aby wyświetlić dane wyjściowe modelu układu.

---

Wstępnie utworzony model

Analizowanie i wyodrębnianie typowych pól z określonych typów dokumentów przy użyciu wstępnie utworzonego modelu. W tym przykładzie analizujemy fakturę przy użyciu wstępnie utworzonego modelu faktury .

Napiwek

Nie masz ograniczeń do faktur — istnieje kilka wstępnie utworzonych modeli do wyboru, z których każdy ma własny zestaw obsługiwanych pól. Model do użycia dla analyze operacji zależy od typu dokumentu do przeanalizowania. Zobacz wyodrębnianie danych modelu.

• Analizowanie faktury przy użyciu wstępnie utworzonego modelu faktury. Na potrzeby tego przewodnika Szybki start możesz użyć naszego przykładowego dokumentu faktury.
• Dodaliśmy wartość adresu URL pliku do zmiennej invoiceUrl w górnej części pliku.
• Dla uproszczenia wszystkie pary klucz-wartość zwracane przez usługę nie są tutaj wyświetlane. Aby wyświetlić listę wszystkich obsługiwanych pól i odpowiednich typów, zobacz naszą stronę koncepcji faktury .

Aby przeanalizować dany plik przy użyciu identyfikatora URI, użyjesz begin_analyze_document_from_url metody i przekażesz prebuilt-invoice go jako identyfikator modelu. Zwracana wartość jest obiektem zawierającym result dane dotyczące przesłanego dokumentu.

Dodaj następujący przykładowy kod do aplikacji form_recognizer_quickstart.py. Upewnij się, że zaktualizowano zmienne klucza i punktu końcowego przy użyciu wartości z wystąpienia usługi Rozpoznawanie formularzy w witrynie Azure Portal:

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

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


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


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


def analyze_invoice():

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

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

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

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

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

if __name__ == "__main__":
    analyze_invoice()

Uruchamianie aplikacji

Po dodaniu przykładowego kodu do aplikacji skompiluj i uruchom program:

1. Przejdź do folderu, w którym masz plik form_recognizer_quickstart.py .

2. Wpisz następujące polecenie w terminalu:

   python form_recognizer_quickstart.py
   

Wstępnie utworzone dane wyjściowe modelu

Oto fragment oczekiwanego danych wyjściowych:

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

Aby wyświetlić wszystkie dane wyjściowe, odwiedź repozytorium przykładów platformy Azure w witrynie GitHub, aby wyświetlić wstępnie utworzone dane wyjściowe modelu faktur.

| Interfejs API | REST analizy dokumentów — obsługiwane zestawy Azure SDK |

W tym przewodniku Szybki start dowiesz się, jak używać interfejsu API REST analizy dokumentów do analizowania i wyodrębniania danych i wartości z dokumentów:

Wymagania wstępne

• Subskrypcja platformy Azure — utwórz bezpłatnie

• Zainstalowane narzędzie wiersza polecenia curl.

  • Windows
  • Komputery Mac lub Linux

• PowerShell w wersji 7.*+ (lub podobnej aplikacji wiersza polecenia).):

  • Windows
  • macOS
  • Linux

• Aby sprawdzić wersję programu PowerShell, wpisz następujące polecenie względem systemu operacyjnego:

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

• Zasób analizy dokumentów (pojedynczej usługi) lub usługi Azure AI (multi-service). Po utworzeniu subskrypcji platformy Azure utwórz zasób analizy dokumentów z jedną usługą lub wieloma usługami w witrynie Azure Portal, aby uzyskać klucz i punkt końcowy. Możesz użyć warstwy cenowej bezpłatna (F0), aby wypróbować usługę, a następnie uaktualnić ją do warstwy płatnej dla środowiska produkcyjnego.

Napiwek

Utwórz zasób usług Azure AI, jeśli planujesz uzyskać dostęp do wielu usług azure AI w ramach jednego punktu końcowego/klucza. W przypadku dostępu tylko do analizy dokumentów utwórz zasób analizy dokumentów. Należy pamiętać, że jeśli zamierzasz używać uwierzytelniania firmy Microsoft Entra, potrzebujesz zasobu z jedną usługą.

• Po wdrożeniu zasobu wybierz pozycję Przejdź do zasobu. Potrzebujesz klucza i punktu końcowego z utworzonego zasobu, aby połączyć aplikację z interfejsem API analizy dokumentów. Klucz i punkt końcowy wklejasz do kodu w dalszej części przewodnika Szybki start:

  

Analizowanie dokumentów i uzyskiwanie wyników

Żądanie POST służy do analizowania dokumentów przy użyciu wstępnie utworzonego lub niestandardowego modelu. Żądanie GET służy do pobierania wyniku wywołania analizy dokumentu. Element modelId jest używany z operacjami POST i resultId GET.

Analizowanie dokumentu (żądanie POST)

Przed uruchomieniem polecenia cURL wprowadź następujące zmiany w żądaniu post:

1. Zastąp {endpoint} element wartością punktu końcowego z wystąpienia analizy dokumentów w witrynie Azure Portal.

2. Zastąp {key} ciąg wartością klucza z wystąpienia analizy dokumentów w witrynie Azure Portal.

3. Korzystając z poniższej tabeli jako odwołania, zastąp {modelID} wartości i {your-document-url} żądanymi wartościami.

4. Potrzebny jest plik dokumentu pod adresem URL. W tym przewodniku Szybki start możesz użyć przykładowych formularzy podanych w poniższej tabeli dla każdej funkcji:

Przykładowe dokumenty

Funkcja	{modelID}	{twój-dokument-url}
Dokument ogólny	wstępnie utworzony dokument	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-layout.pdf
Przeczytaj	odczyt wstępnie utworzony	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/read.png
Układ	wstępnie utworzony układ	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/layout.png
Karta ubezpieczenia zdrowotnego	prebuilt-healthInsuranceCard.us	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/insurance-card.png
W-2	prebuilt-tax.us.w2	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png
Faktura	wstępnie utworzona faktura	https://github.com/Azure-Samples/cognitive-services-REST-api-samples/raw/master/curl/form-recognizer/rest-api/invoice.pdf
Paragon	wstępnie utworzone potwierdzenie	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/receipt.png
Dokument tożsamości	prebuilt-idDocument	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png
Wizytówka	wstępnie utworzona karta biznesowa	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/de5e0d8982ab754823c54de47a47e8e499351523/curl/form-recognizer/rest-api/business_card.jpg

Ważne

Pamiętaj, aby usunąć klucz z kodu po zakończeniu i nigdy nie publikować go publicznie. W przypadku środowiska produkcyjnego użyj bezpiecznego sposobu przechowywania i uzyskiwania dostępu do poświadczeń, takich jak usługa Azure Key Vault. Aby uzyskać więcej informacji, zobacz Zabezpieczenia usług Azure AI.

Żądanie POST

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

Odpowiedź POST (resultID)

Otrzymasz odpowiedź zawierającą 202 (Success) nagłówek Operation-Location tylko do odczytu. Wartość tego nagłówka zawiera element resultID , który można wysłać do zapytania w celu uzyskania stanu operacji asynchronicznej i pobrania wyników przy użyciu żądania GET z tym samym kluczem subskrypcji zasobu:

Pobieranie wyników analizy (żądanie GET)

Po wywołaniu interfejsu Analyze document API wywołaj interfejs API Uzyskiwanie wyników analizy, aby uzyskać stan operacji i wyodrębnione dane. Przed uruchomieniem polecenia wprowadź następujące zmiany:

1. Zastąp {resultID} nagłówek Operation-Location z odpowiedzi POST.

2. Zastąp {key} ciąg wartością klucza z wystąpienia analizy dokumentów w witrynie Azure Portal.

Żądanie GET

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

Sprawdzanie odpowiedzi

200 (Success) Otrzymasz odpowiedź z danymi wyjściowymi JSON. Pierwsze pole , "status"wskazuje stan operacji. Jeśli operacja nie jest ukończona, wartość "status" to "running" lub "notStarted", a należy wywołać interfejs API ponownie, ręcznie lub za pomocą skryptu. Zalecamy interwał co najmniej jednej sekundy między wywołaniami.

Przykładowa odpowiedź dla wstępnie utworzonej faktury

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

Obsługiwane pola dokumentów

Wstępnie utworzone modele wyodrębniają wstępnie zdefiniowane zestawy pól dokumentów. Zobacz Wyodrębnianie danych modelu, aby uzyskać wyodrębnione nazwy pól, typy, opisy i przykłady.

To wszystko, gratulacje!

W tym przewodniku Szybki start użyto modelu analizy dokumentów do analizowania różnych formularzy i dokumentów. Następnie zapoznaj się z dokumentacją narzędzia Document Intelligence Studio i dokumentacją referencyjną, aby dowiedzieć się więcej o interfejsie API analizy dokumentów.

Następne kroki

• Aby uzyskać ulepszone środowisko i zaawansowaną jakość modelu, wypróbuj narzędzie Document Intelligence Studio

• Aby przeprowadzić migrację z wersji 3.1 do wersji 4.0, zobacz Przewodniki migracji dziennika zmian.

• Znajdź więcej przykładów w witrynie GitHub.