Usar modelos de Informação de Documentos

Esse conteúdo se aplica a:v4.0 (GA) | Versões anteriores:v3.1 (GA)v3.0 (GA)v2.1 (GA)

Neste guia, saiba como adicionar modelos do Document Intelligence aos seus aplicativos e fluxos de trabalho. Use um SDK de linguagem de programação de sua escolha ou da API REST.

Azure Document Intelligence no Foundry Tools é um serviço de Foundry Tools baseado em nuvem que usa aprendizado de máquina para extrair elementos-chave de texto e estrutura de documentos. Recomendamos que você use o serviço gratuito enquanto aprende a tecnologia. Lembre-se de que o número de páginas gratuitas é limitado a 500 por mês.

Escolha entre os seguintes modelos do Document Intelligence e analise e extraia dados e valores de formulários e documentos:

• O modelo de leitura predefinido está no centro de todos os modelos do Document Intelligence e pode detectar linhas, palavras, locais e idiomas. Layout, documento geral, modelos predefinidos e personalizados usam o read modelo como base para extrair textos de documentos.

• O modelo layout predefinido extrai texto e locais de texto, tabelas, marcas de seleção e informações estruturais de documentos e imagens. Você pode extrair pares chave/valor usando o modelo de layout com o parâmetro features=keyValuePairs de cadeia de caracteres de consulta opcional habilitado.

• O modelo de contrato predefinido extrai informações importantes de contratos contratuais.

• O modelo prebuilt-healthInsuranceCard.us extrai informações-chave dos cartões de seguro de saúde dos EUA.

• O modelo predefinido de modelos de documentos fiscais extrai informações relatadas em formulários fiscais dos EUA.

• O modelo de fatura predefinida extrai os principais campos e itens de linha de faturas de vendas em vários formatos e qualidade. Os campos incluem imagens capturadas por telefone, documentos verificados e PDFs digitais.

• O modelo de recibo predefinido extrai informações importantes de recibos de vendas impressos e manuscritos.

• O modelo predefinido idDocument extrai informações importantes de carteiras de motorista dos EUA, páginas biográficas de passaporte internacional, IDs estaduais dos EUA, cartões de segurança social e cartões de residente permanentes.

Biblioteca cliente |Referência da API REST | Pacote| Amostras|Versão suportada da API REST

Pré-requisitos

• Uma assinatura do Azure – Crie uma gratuitamente.

• O IDE do Visual Studio.

• Um recurso Foundry Tools ou Informação de Documentos. Crie um serviço único ou um serviço múltiplo. Use o tipo de preço gratuito (F0) para experimentar o serviço e atualizar mais tarde para um nível pago para produção.

• A chave e o ponto de extremidade do recurso que você cria para conectar seu aplicativo ao Azure Document Intelligence.

  1. Após a implantação do recurso, selecione Ir para o recurso.
  2. No painel esquerdo, selecione Chaves e Ponto de Extremidade.
  3. Copie uma das chaves e o Ponto de Extremidade para uso posteriormente neste artigo.

  

• Um arquivo de documento em um local de URL. Para este projeto, você pode usar os formulários de exemplo fornecidos na tabela a seguir para cada recurso:

  Característica	modelID	document-url
  Modelo de leitura	prebuilt-read	Folheto de exemplo
  Modelo de layout	layout predefinido	Confirmação de reserva de exemplo
  Modelo de formulário W-2	prebuilt-tax.us.w2	Exemplo de formulário W-2
  Modelo de fatura	fatura predefinida	Fatura de exemplo
  Modelo de recibo	confirmação predefinida	Recibo de exemplo
  Modelo de documento de identificação	prebuilt-idDocument	Documento de identidade de exemplo

Definir variáveis de ambiente

Para interagir com o serviço de Informação de Documentos, você precisa criar uma instância da classe DocumentAnalysisClient. Para fazer isso, crie uma instância do cliente com seu key e endpoint no portal do Azure. Para este projeto, use variáveis de ambiente para armazenar e acessar credenciais.

Importante

Use as chaves de API com cuidado. Não inclua a chave da API diretamente no seu código e nunca a publique publicamente. Se você usar uma chave de API, armazene-a com segurança no Azure Key Vault. Para obter mais informações sobre como usar chaves de API com segurança em seus aplicativos, confira Chaves de API com o Azure Key Vault.

Para obter mais informações sobre a segurança dos serviços de IA, veja Autenticar solicitações para serviços de IA do Azure.

Para definir a variável de ambiente para sua chave de recurso do Document Intelligence, abra uma janela do console e siga as instruções para seu sistema operacional e ambiente de desenvolvimento. Substitua <yourKey> e <yourEndpoint> pelos valores do seu recurso no portal do Azure.

Windows

As variáveis ​​de ambiente no Windows não diferenciam maiúsculas de minúsculas. Eles normalmente são declarados em letras maiúsculas, com palavras unidas por um sublinhado. Em um prompt de comando, execute os seguintes comandos:

1. Defina sua variável de chave:

   setx DI_KEY <yourKey>
   

2. Definir sua variável de ponto de extremidade

   setx DI_ENDPOINT <yourEndpoint>
   

3. Feche a janela prompt de comando depois de definir suas variáveis de ambiente. Os valores permanecem até você alterá-los novamente.

4. Reinicie todos os programas em execução que leem a variável de ambiente. Por exemplo, se você estiver usando o Visual Studio ou o Visual Studio Code como editor, reinicie antes de executar o código de exemplo.

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
setx VARIABLE_NAME=	Exclua a variável de ambiente definindo o valor como uma cadeia de caracteres vazia.	setx DI_KEY=
setx VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Exiba o valor de uma variável de ambiente específica.	set DI_KEY
set	Exibir todas as variáveis de ambiente.	set

macOS

As variáveis ​​de ambiente no macOS diferenciam maiúsculas de minúsculas. Convencionalmente, o nome da variável é declarado em letras maiúsculas.

O export comando define a variável e a exporta para o ambiente global, que está disponível para outros processos. No entanto, o valor é temporário e dura apenas até que você feche a sessão do terminal. Abra o terminal e insira os seguintes comandos:

1. Defina sua variável de chave:

   export key=<yourKey>
   

2. Defina sua variável de ponto de extremidade:

   export endpoint=<yourEndpoint>
   

Para definir uma variável de ambiente permanentemente, coloque um comando de exportação no script de inicialização do Bash ~/.bash_profile :

1. Use um editor de texto para abrir o arquivo ~/.bash_profile e adicione o seguinte comando para criar uma variável de ambiente permanente:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Exemplo: export DI_KEY="<yourKey>"

2. Salve suas alterações no arquivo bash_profile .

3. Para tornar as alterações efetivas, execute o seguinte comando na janela do terminal:

   source ~/.bash-profile
   

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
unset VARIABLE_NAME	Excluir uma variável de ambiente.	unset DI_KEY
export VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente temporária.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Exiba o valor de uma variável de ambiente específica. Com o echo comando, preceda a variável com $.	printenv DI_KEY echo $DI_KEY
printenv	Exibir todas as variáveis de ambiente.	printenv

Linux

As variáveis ​​de ambiente no Linux diferenciam maiúsculas de minúsculas. Convencionalmente, o nome da variável é declarado em letras maiúsculas.

O export comando define a variável e a exporta para o ambiente global, que está disponível para outros processos. No entanto, o valor é temporário e dura apenas até que você feche a sessão do terminal:

1. Defina sua variável de chave:

   export DI_KEY=<yourKey>
   

2. Defina sua variável de ponto de extremidade:

   export DI_ENDPOINT=<yourEndpoint>
   

Para definir uma variável de ambiente permanentemente, coloque um comando de exportação no script de inicialização do Bash ~/.bashrc :

1. Use um editor de texto para abrir o arquivo ~/.bashrc e adicionar o seguinte comando para criar uma variável de ambiente permanente:

   export <VARIABLE>=<value>
   

   Exemplo: export DI_KEY=<yourKey>

2. Salve suas alterações no arquivo .bashrc .

3. Para tornar as alterações efetivas, execute o seguinte comando na janela do terminal:

   source ~/.bashrc
   

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
unset VARIABLE_NAME	Excluir uma variável de ambiente.	unset DI_KEY=
export VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente temporária.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Exiba o valor de uma variável de ambiente. Com o echo comando, preceda a variável com $.	printenv DI_KEY echo $DI_KEY
printenv	Exibir todas as variáveis de ambiente.	printenv

Configurar seu ambiente de programação

1. Inicie o Visual Studio.

2. Na página inicial, escolha Criar um novo projeto.

   

3. Na página Criar um novo projeto , insira o console na caixa de pesquisa. Selecione o modelo de Aplicativo de Console e, em seguida, escolha Avançar.

   

4. Na página Configurar seu novo projeto , em Nome do Projeto , insira docIntelligence_app. Em seguida, selecione Avançar.

   

5. Na página Informações adicionais , selecione .NET 8.0 (suporte a longo prazo) e, em seguida, selecione Criar.

   

Instalar a biblioteca de clientes com o NuGet

1. Clique com o botão direito do mouse em seu projeto docIntelligence_app e selecione Gerenciar Pacotes NuGet... .

   

2. Selecione a guia Procurar e digite Azure.AI.DocumentIntelligence.

3. Escolha uma versão no menu de opções e instale o pacote no seu projeto.

Crie seu aplicativo

Observação

A partir do .NET 6, os novos projetos que usam o modelo console geram um novo estilo de programa diferente das versões anteriores. A nova saída usa recursos recentes do C# que simplificam a codificação.

Ao usar a versão mais recente, você só precisa escrever o corpo do método Main. Você não precisa incluir instruções de nível superior, diretivas de uso globais nem diretivas de uso implícitas. Para obter mais informações, consulte o modelo de aplicativo de console do C# que gera instruções de nível superior.

1. Abra o arquivo Program.cs.

2. Exclua o código existente, incluindo a linha Console.Writeline("Hello World!").

3. Selecione um dos seguintes exemplos de código e copie/cole no arquivo de Program.cs do aplicativo:

   • prebuilt-read
   • prebuilt-layout
   • prebuilt-tax.us.w2
   • fatura predefinida
   • prebuilt-receipt
   • prebuilt-idDocument

4. Depois de adicionar um exemplo de código ao seu aplicativo, escolha o botão Iniciar verde ao lado do nome do projeto para compilar e executar seu programa ou pressione F5.

   

Use o modelo de leitura

using Azure;
using Azure.AI.DocumentIntelligence;

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

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

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

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

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

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

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

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do read modelo.

Usar o modelo de Layout

using Azure;
using Azure.AI.DocumentIntelligence;

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

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

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

AnalyzeResult result = operation.Value;

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

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

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

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

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de layout.

Usar o modelo de documento geral

using Azure;
using Azure.AI.DocumentIntelligence;

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

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

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

AnalyzeResult result = operation.Value;

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

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

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

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

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

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

Visite o repositório de exemplos do Azure no GitHub e exiba a saída geral do modelo de documento.

Use o modelo de imposto W-2

using Azure;
using Azure.AI.DocumentIntelligence;

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

// sample document document
Uri w2Uri = new Uri("https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png");

Operation<AnalyzeResult> operation = await client.AnalyzeDocumentAsync(WaitUntil.Completed, "prebuilt-tax.us.w2", w2Uri);

AnalyzeResult result = operation.Value;

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

    AnalyzedDocument document = result.Documents[i];

    if (document.Fields.TryGetValue("AdditionalInfo", out DocumentField? additionalInfoField))
    {
        if (additionalInfoField.FieldType == DocumentFieldType.List)
        {
            foreach (DocumentField infoField in additionalInfoField.Value.AsList())
            {
                Console.WriteLine("AdditionalInfo:");

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

                    if (infoFields.TryGetValue("Amount", out DocumentField? amountField))
                    {
                        if (amountField.FieldType == DocumentFieldType.Double)
                        {
                            double amount = amountField.Value.AsDouble();

                            Console.WriteLine($"  Amount: '{amount}', with confidence {amountField.Confidence}");
                        }
                    }

                    if (infoFields.TryGetValue("LetterCode", out DocumentField? letterCodeField))
                    {
                        if (letterCodeField.FieldType == DocumentFieldType.String)
                        {
                            string letterCode = letterCodeField.Value.AsString();

                            Console.WriteLine($"  LetterCode: '{letterCode}', with confidence {letterCodeField.Confidence}");
                        }
                    }
                }
            }
        }
    }


    if (document.Fields.TryGetValue("AllocatedTips", out DocumentField? allocatedTipsField))
    {
        if (allocatedTipsField.FieldType == DocumentFieldType.Double)
        {
            double allocatedTips = allocatedTipsField.Value.AsDouble();
            Console.WriteLine($"Allocated Tips: '{allocatedTips}', with confidence {allocatedTipsField.Confidence}");
        }
    }

    if (document.Fields.TryGetValue("Employer", out DocumentField? employerField))
    {
        if (employerField.FieldType == DocumentFieldType.Dictionary)
        {
            IReadOnlyDictionary<string, DocumentField> employerFields = employerField.Value.AsDictionary();

            if (employerFields.TryGetValue("Name", out DocumentField? employerNameField))
            {
                if (employerNameField.FieldType == DocumentFieldType.String)
                {
                    string name = employerNameField.Value.AsString();

                    Console.WriteLine($"Employer Name: '{name}', with confidence {employerNameField.Confidence}");
                }
            }

            if (employerFields.TryGetValue("IdNumber", out DocumentField? idNumberField))
            {
                if (idNumberField.FieldType == DocumentFieldType.String)
                {
                    string id = idNumberField.Value.AsString();

                    Console.WriteLine($"Employer ID Number: '{id}', with confidence {idNumberField.Confidence}");
                }
            }

            if (employerFields.TryGetValue("Address", out DocumentField? addressField))
            {
                if (addressField.FieldType == DocumentFieldType.Address)
                {
                    Console.WriteLine($"Employer Address: '{addressField.Content}', with confidence {addressField.Confidence}");
                }
            }
        }
    }
}

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de imposto W-2.

Usar o modelo de fatura

using Azure;
using Azure.AI.DocumentIntelligence;

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

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

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

AnalyzeResult result = operation.Value;

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

    AnalyzedDocument document = result.Documents[i];

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

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

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

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

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

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

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

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

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

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

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

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de fatura.

Usar o modelo de confirmação

using Azure;
using Azure.AI.DocumentIntelligence;

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

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

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

AnalyzeResult receipts = operation.Value;

foreach (AnalyzedDocument receipt in receipts.Documents)
{
    if (receipt.Fields.TryGetValue("MerchantName", out DocumentField merchantNameField))
    {
        if (merchantNameField.FieldType == DocumentFieldType.String)
        {
            string merchantName = merchantNameField.Value.AsString();

            Console.WriteLine($"Merchant Name: '{merchantName}', with confidence {merchantNameField.Confidence}");
        }
    }

    if (receipt.Fields.TryGetValue("TransactionDate", out DocumentField transactionDateField))
    {
        if (transactionDateField.FieldType == DocumentFieldType.Date)
        {
            DateTimeOffset transactionDate = transactionDateField.Value.AsDate();

            Console.WriteLine($"Transaction Date: '{transactionDate}', with confidence {transactionDateField.Confidence}");
        }
    }

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

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

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

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

                    if (itemFields.TryGetValue("TotalPrice", out DocumentField itemTotalPriceField))
                    {
                        if (itemTotalPriceField.FieldType == DocumentFieldType.Double)
                        {
                            double itemTotalPrice = itemTotalPriceField.Value.AsDouble();

                            Console.WriteLine($"  Total Price: '{itemTotalPrice}', with confidence {itemTotalPriceField.Confidence}");
                        }
                    }
                }
            }
        }
    }

    if (receipt.Fields.TryGetValue("Total", out DocumentField totalField))
    {
        if (totalField.FieldType == DocumentFieldType.Double)
        {
            double total = totalField.Value.AsDouble();

            Console.WriteLine($"Total: '{total}', with confidence '{totalField.Confidence}'");
        }
    }
}

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de recibo.

Usar o modelo de Documento de identidade

using Azure;
using Azure.AI.DocumentIntelligence;

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

// sample document document

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

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

AnalyzeResult identityDocuments = operation.Value;

AnalyzedDocument identityDocument = identityDocuments.Documents.Single();

if (identityDocument.Fields.TryGetValue("Address", out DocumentField addressField))
{
    if (addressField.FieldType == DocumentFieldType.String)
    {
        string address = addressField.Value. AsString();
        Console.WriteLine($"Address: '{address}', with confidence {addressField.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("CountryRegion", out DocumentField countryRegionField))
{
    if (countryRegionField.FieldType == DocumentFieldType.CountryRegion)
    {
        string countryRegion = countryRegionField.Value.AsCountryRegion();
        Console.WriteLine($"CountryRegion: '{countryRegion}', with confidence {countryRegionField.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("DateOfBirth", out DocumentField dateOfBirthField))
{
    if (dateOfBirthField.FieldType == DocumentFieldType.Date)
    {
        DateTimeOffset dateOfBirth = dateOfBirthField.Value.AsDate();
        Console.WriteLine($"Date Of Birth: '{dateOfBirth}', with confidence {dateOfBirthField.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("DateOfExpiration", out DocumentField dateOfExpirationField))
{
    if (dateOfExpirationField.FieldType == DocumentFieldType.Date)
    {
        DateTimeOffset dateOfExpiration = dateOfExpirationField.Value.AsDate();
        Console.WriteLine($"Date Of Expiration: '{dateOfExpiration}', with confidence {dateOfExpirationField.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("DocumentNumber", out DocumentField documentNumberField))
{
    if (documentNumberField.FieldType == DocumentFieldType.String)
    {
        string documentNumber = documentNumberField.Value.AsString();
        Console.WriteLine($"Document Number: '{documentNumber}', with confidence {documentNumberField.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("FirstName", out DocumentField firstNameField))
{
    if (firstNameField.FieldType == DocumentFieldType.String)
    {
        string firstName = firstNameField.Value.AsString();
        Console.WriteLine($"First Name: '{firstName}', with confidence {firstNameField.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("LastName", out DocumentField lastNameField))
{
    if (lastNameField.FieldType == DocumentFieldType.String)
    {
        string lastName = lastNameField.Value.AsString();
        Console.WriteLine($"Last Name: '{lastName}', with confidence {lastNameField.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("Region", out DocumentField regionfield))
{
    if (regionfield.FieldType == DocumentFieldType.String)
    {
        string region = regionfield.Value.AsString();
        Console.WriteLine($"Region: '{region}', with confidence {regionfield.Confidence}");
    }
}

if (identityDocument.Fields.TryGetValue("Sex", out DocumentField sexfield))
{
    if (sexfield.FieldType == DocumentFieldType.String)
    {
        string sex = sexfield.Value.AsString();
        Console.WriteLine($"Sex: '{sex}', with confidence {sexfield.Confidence}");
    }
}

Visite o repositório de amostras do Azure no GitHub e visualize a saída do modelo de documento de ID.

Biblioteca do cliente | Referência da API REST | Pacote (Maven) | Exemplos |Versão da API REST com suporte

Pré-requisitos

• Uma assinatura do Azure – Crie uma gratuitamente.

• A versão mais recente do Visual Studio Code ou do seu IDE preferido. Consulte Java no Visual Studio Code.

  • O Visual Studio Code oferece um Pacote de Codificação para Java para Windows e macOS. O pacote de codificação é um pacote de VS Código, o JDK (Java Development Kit) e uma coleção de extensões sugeridas pela Microsoft. O Pacote de Codificação também pode ser usado para corrigir um ambiente de desenvolvimento existente.
  • Se você estiver usando o VSCode e o Coding Pack para Java, instale a extensão Gradle para Java.

  Se não estiver usando Visual Studio Code, você deverá ter o seguinte instalado em seu ambiente de desenvolvimento:

  • Um Java Development Kit (JDK) versão 8 ou posterior. Para obter mais informações, consulte o Microsoft Build do OpenJDK.
  • Gradle, versão 6.8 ou posterior.

• Um recurso Foundry Tools ou Informação de Documentos. Crie um serviço único ou um serviço múltiplo. Use o tipo de preço gratuito (F0) para experimentar o serviço e atualizar mais tarde para um nível pago para produção.

  Dica

  Crie um recurso do Foundry se planeja acessar várias ferramentas do Foundry usando um único endpoint e uma chave. Para acessar somente o Document Intelligence, crie um recurso do Document Intelligence. Você precisará de um recurso de serviço único se pretende usar a autenticação do Microsoft Entra.

• A chave e o ponto de extremidade do recurso que você cria para conectar seu aplicativo ao Azure Document Intelligence.

  1. Após a implantação do recurso, selecione Ir para o recurso.
  2. No painel esquerdo, selecione Chaves e Ponto de Extremidade.
  3. Copie uma das chaves e o Ponto de Extremidade para uso posteriormente neste artigo.

  

• Um arquivo de documento em uma URL. Para este projeto, você pode usar os formulários de exemplo fornecidos na tabela a seguir para cada recurso:

  Característica	modelID	document-url
  Modelo de leitura	prebuilt-read	Folheto de exemplo
  Modelo de layout	layout predefinido	Confirmação de reserva de exemplo
  Modelo de formulário W-2	prebuilt-tax.us.w2	Exemplo de formulário W-2
  Modelo de fatura	fatura predefinida	Fatura de exemplo
  Modelo de recibo	confirmação predefinida	Recibo de exemplo
  Modelo de documento de identificação	prebuilt-idDocument	Documento de identidade de exemplo

Definir variáveis de ambiente

Para interagir com o serviço de Informação de Documentos, você precisa criar uma instância da classe DocumentAnalysisClient. Para fazer isso, crie uma instância do cliente com seu key e endpoint no portal do Azure. Para este projeto, use variáveis de ambiente para armazenar e acessar credenciais.

Importante

Use as chaves de API com cuidado. Não inclua a chave da API diretamente no seu código e nunca a publique publicamente. Se você usar uma chave de API, armazene-a com segurança no Azure Key Vault. Para obter mais informações sobre como usar chaves de API com segurança em seus aplicativos, confira Chaves de API com o Azure Key Vault.

Para obter mais informações sobre a segurança dos serviços de IA, veja Autenticar solicitações para serviços de IA do Azure.

Para definir a variável de ambiente para sua chave de recurso do Document Intelligence, abra uma janela do console e siga as instruções para seu sistema operacional e ambiente de desenvolvimento. Substitua <yourKey> e <yourEndpoint> pelos valores do seu recurso no portal do Azure.

Windows

As variáveis ​​de ambiente no Windows não diferenciam maiúsculas de minúsculas. Eles normalmente são declarados em letras maiúsculas, com palavras unidas por um sublinhado. Em um prompt de comando, execute os seguintes comandos:

1. Defina sua variável de chave:

   setx DI_KEY <yourKey>
   

2. Definir sua variável de ponto de extremidade

   setx DI_ENDPOINT <yourEndpoint>
   

3. Feche a janela prompt de comando depois de definir suas variáveis de ambiente. Os valores permanecem até você alterá-los novamente.

4. Reinicie todos os programas em execução que leem a variável de ambiente. Por exemplo, se você estiver usando o Visual Studio ou o Visual Studio Code como editor, reinicie antes de executar o código de exemplo.

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
setx VARIABLE_NAME=	Exclua a variável de ambiente definindo o valor como uma cadeia de caracteres vazia.	setx DI_KEY=
setx VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Exiba o valor de uma variável de ambiente específica.	set DI_KEY
set	Exibir todas as variáveis de ambiente.	set

macOS

As variáveis ​​de ambiente no macOS diferenciam maiúsculas de minúsculas. Convencionalmente, o nome da variável é declarado em letras maiúsculas.

O export comando define a variável e a exporta para o ambiente global, que está disponível para outros processos. No entanto, o valor é temporário e dura apenas até que você feche a sessão do terminal. Abra o terminal e insira os seguintes comandos:

1. Defina sua variável de chave:

   export key=<yourKey>
   

2. Defina sua variável de ponto de extremidade:

   export endpoint=<yourEndpoint>
   

Para definir uma variável de ambiente permanentemente, coloque um comando de exportação no script de inicialização do Bash ~/.bash_profile :

1. Use um editor de texto para abrir o arquivo ~/.bash_profile e adicione o seguinte comando para criar uma variável de ambiente permanente:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Exemplo: export DI_KEY="<yourKey>"

2. Salve suas alterações no arquivo bash_profile .

3. Para tornar as alterações efetivas, execute o seguinte comando na janela do terminal:

   source ~/.bash-profile
   

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
unset VARIABLE_NAME	Excluir uma variável de ambiente.	unset DI_KEY
export VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente temporária.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Exiba o valor de uma variável de ambiente específica. Com o echo comando, preceda a variável com $.	printenv DI_KEY echo $DI_KEY
printenv	Exibir todas as variáveis de ambiente.	printenv

Linux

As variáveis ​​de ambiente no Linux diferenciam maiúsculas de minúsculas. Convencionalmente, o nome da variável é declarado em letras maiúsculas.

O export comando define a variável e a exporta para o ambiente global, que está disponível para outros processos. No entanto, o valor é temporário e dura apenas até que você feche a sessão do terminal:

1. Defina sua variável de chave:

   export DI_KEY=<yourKey>
   

2. Defina sua variável de ponto de extremidade:

   export DI_ENDPOINT=<yourEndpoint>
   

Para definir uma variável de ambiente permanentemente, coloque um comando de exportação no script de inicialização do Bash ~/.bashrc :

1. Use um editor de texto para abrir o arquivo ~/.bashrc e adicionar o seguinte comando para criar uma variável de ambiente permanente:

   export <VARIABLE>=<value>
   

   Exemplo: export DI_KEY=<yourKey>

2. Salve suas alterações no arquivo .bashrc .

3. Para tornar as alterações efetivas, execute o seguinte comando na janela do terminal:

   source ~/.bashrc
   

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
unset VARIABLE_NAME	Excluir uma variável de ambiente.	unset DI_KEY=
export VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente temporária.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Exiba o valor de uma variável de ambiente. Com o echo comando, preceda a variável com $.	printenv DI_KEY echo $DI_KEY
printenv	Exibir todas as variáveis de ambiente.	printenv

Configurar seu ambiente de programação

Para configurar seu ambiente de programação, crie um projeto Gradle e instale a biblioteca de clientes.

Criar um projeto do Gradle

1. Em uma janela do console, crie um diretório para seu aplicativo chamado doc-intelligence-app e navegue até ele.

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

2. Execute o comando gradle init em seu diretório de trabalho. Esse comando cria arquivos de build essenciais para o Gradle, incluindo o build.gradle.kts, que é usado no runtime para criar e configurar seu aplicativo.

   gradle init --type basic
   

3. Quando solicitado a escolher uma DSL, selecione Kotlin.

4. Selecione Enter para aceitar o nome do projeto padrão, doc-intelligence-app.

Instalar a biblioteca de clientes

Este artigo usa o gerenciador de dependências do Gradle. Você pode encontrar a biblioteca de clientes e informações para outros gerenciadores de dependência no Repositório Central do Maven.

1. Abra o arquivo build.gradle.kts do projeto em seu IDE. Copie e cole o código a seguir para incluir a biblioteca de clientes como uma instrução implementation , juntamente com os plug-ins e as configurações necessárias.

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

Criar um aplicativo Java

Para interagir com o serviço de Inteligência de Documento, crie uma instância da DocumentIntelligenceClient classe. Para fazê-lo, você deve criar uma AzureKeyCredential com sua key no portal do Azure e uma instância de DocumentIntelligenceClient com a AzureKeyCredential e seu endpoint da Informação de Documentos.

1. No diretório doc-intelligence-app , execute o seguinte comando:

   mkdir -p src/main/java
   

Esse comando cria a seguinte estrutura de diretório:

1. Navegue até o java diretório e crie um arquivo chamado DocIntelligence.java.

   Dica

   Você pode criar um novo arquivo usando o PowerShell. Abra uma janela do PowerShell no diretório do projeto mantendo pressionada a tecla Shift e clicando com o botão direito do mouse na pasta e digite o seguinte comando: New-Item DocIntelligence.java.

2. Abra o arquivo DocIntelligence.java e selecione um dos seguintes exemplos de código e copie/cole em seu aplicativo:

   • O modelo de leitura predefinido está no centro de todos os modelos do Document Intelligence e pode detectar linhas, palavras, locais e idiomas. O layout, o documento geral, os modelos predefinidos e personalizados usam o read modelo como base para extrair textos de documentos.
   • O modelo layout predefinido extrai texto e locais de texto, tabelas, marcas de seleção e informações estruturais de documentos e imagens.
   • O modelo prebuilt-tax.us.w2 extrai informações relatadas sobre formulários fiscais da Receita Federal dos EUA.
   • O modelo de fatura predefinida extrai os principais campos e itens de linha de faturas de vendas em vários formatos.
   • O modelo de recibo predefinido extrai informações importantes de recibos de vendas impressos e manuscritos.
   • O modelo prebuilt-idDocument extrai informações importantes das Carteiras de Motorista dos EUA; páginas biográficas de passaporte internacional; IDs de estado dos EUA; cartões de seguridade social; e cartões de residência permanente.

3. Digite os seguintes comandos:

   gradle build
   gradle run
   

Use o modelo de leitura

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.getPolygon().toString()));

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

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do read modelo.

Usar o modelo de Layout

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.getPolygon().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.getPolygon()),
      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 > Polygon) {
  return Polygon.stream().map(point -> String.format("[%.2f, %.2f]", point.getX(),
    point.getY())).collect(Collectors.joining(", "));
}

}

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de layout.

Usar o modelo de documento geral

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.getPolygon().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());
  }
});

}

}

Visite o repositório de exemplos do Azure no GitHub e exiba a saída geral do modelo de documento.

Use o modelo de imposto W-2

import com.azure.ai.documentintelligence;

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

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

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

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

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

// sample document
String w2Url = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png";
String modelId = "prebuilt-tax.us.w2";

SyncPoller < OperationResult, AnalyzeResult > analyzeW2Poller =
  client.beginAnalyzeDocument(modelId, w2Url);

AnalyzeResult analyzeTaxResult = analyzeW2Poller.getFinalResult().getAnalyzeResult();

for (int i = 0; i < analyzeTaxResult.getDocuments().size(); i++) {
  AnalyzedDocument analyzedTaxDocument = analyzeTaxResult.getDocuments().get(i);
  Map < String, DocumentField > taxFields = analyzedTaxDocument.getFields();
  System.out.printf("----------- Analyzing Document  %d -----------%n", i);
  DocumentField w2FormVariantField = taxFields.get("W2FormVariant");
  if (w2FormVariantField != null) {
    if (DocumentFieldType.STRING == w2FormVariantField.getType()) {
      String merchantName = w2FormVariantField.getValueAsString();
      System.out.printf("Form variant: %s, confidence: %.2f%n",
        merchantName, w2FormVariantField.getConfidence());
    }
  }

  DocumentField employeeField = taxFields.get("Employee");
  if (employeeField != null) {
    System.out.println("Employee Data: ");
    if (DocumentFieldType.MAP == employeeField.getType()) {
      Map < String, DocumentField > employeeDataFieldMap = employeeField.getValueAsMap();
      DocumentField employeeName = employeeDataFieldMap.get("Name");
      if (employeeName != null) {
        if (DocumentFieldType.STRING == employeeName.getType()) {
          String employeesName = employeeName.getValueAsString();
          System.out.printf("Employee Name: %s, confidence: %.2f%n",
            employeesName, employeeName.getConfidence());
        }
      }
      DocumentField employeeAddrField = employeeDataFieldMap.get("Address");
      if (employeeAddrField != null) {
        if (DocumentFieldType.STRING == employeeAddrField.getType()) {
          String employeeAddress = employeeAddrField.getValueAsString();
          System.out.printf("Employee Address: %s, confidence: %.2f%n",
            employeeAddress, employeeAddrField.getConfidence());
        }
      }
    }
  }

  DocumentField employerField = taxFields.get("Employer");
  if (employerField != null) {
    System.out.println("Employer Data: ");
    if (DocumentFieldType.MAP == employerField.getType()) {
      Map < String, DocumentField > employerDataFieldMap = employerField.getValueAsMap();
      DocumentField employerNameField = employerDataFieldMap.get("Name");
      if (employerNameField != null) {
        if (DocumentFieldType.STRING == employerNameField.getType()) {
          String employerName = employerNameField.getValueAsString();
          System.out.printf("Employer Name: %s, confidence: %.2f%n",
            employerName, employerNameField.getConfidence());
        }
      }

      DocumentField employerIDNumberField = employerDataFieldMap.get("IdNumber");
      if (employerIDNumberField != null) {
        if (DocumentFieldType.STRING == employerIDNumberField.getType()) {
          String employerIdNumber = employerIDNumberField.getValueAsString();
          System.out.printf("Employee ID Number: %s, confidence: %.2f%n",
            employerIdNumber, employerIDNumberField.getConfidence());
        }
      }
    }
  }

  DocumentField taxYearField = taxFields.get("TaxYear");
  if (taxYearField != null) {
    if (DocumentFieldType.STRING == taxYearField.getType()) {
      String taxYear = taxYearField.getValueAsString();
      System.out.printf("Tax year: %s, confidence: %.2f%n",
        taxYear, taxYearField.getConfidence());
    }
  }

  DocumentField taxDateField = taxFields.get("TaxDate");
  if (taxDateField != null) {
    if (DocumentFieldType.DATE == taxDateField.getType()) {
      LocalDate taxDate = taxDateField.getValueAsDate();
      System.out.printf("Tax Date: %s, confidence: %.2f%n",
        taxDate, taxDateField.getConfidence());
    }
  }

  DocumentField socialSecurityTaxField = taxFields.get("SocialSecurityTaxWithheld");
  if (socialSecurityTaxField != null) {
    if (DocumentFieldType.DOUBLE == socialSecurityTaxField.getType()) {
      Double socialSecurityTax = socialSecurityTaxField.getValueAsDouble();
      System.out.printf("Social Security Tax withheld: %.2f, confidence: %.2f%n",
        socialSecurityTax, socialSecurityTaxField.getConfidence());
    }
  }
}
}
}

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de imposto W-2.

Usar o modelo de fatura

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

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de fatura.

Utilize o modelo de recibo

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

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de recibo.

Usar o modelo de Documento de identidade

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());
    }
  }
}
}
}

Visite o repositório de amostras do Azure no GitHub e visualize a saída do modelo de documento de ID.

Biblioteca de clientes | Referência da API REST | Pacote (npm) | Amostras |Versões com suporte de API REST

Pré-requisitos

• Uma assinatura do Azure – Crie uma gratuitamente.

• A versão mais recente do Visual Studio Code ou do seu IDE preferido. Para obter mais informações, consulte Node.js no Visual Studio Code.

• A versão LTS mais recente do Node.js.

• Um recurso Foundry Tools ou Informação de Documentos. Crie um serviço único ou um serviço múltiplo. Use o tipo de preço gratuito (F0) para experimentar o serviço e atualizar mais tarde para um nível pago para produção.

  Dica

  Crie um recurso do Foundry se planeja acessar várias ferramentas do Foundry usando um único endpoint e uma chave. Para acessar somente o Document Intelligence, crie um recurso do Document Intelligence. Você precisará de um recurso de serviço único se pretende usar a autenticação do Microsoft Entra.

• A chave e o ponto de extremidade do recurso que você cria para conectar seu aplicativo ao Azure Document Intelligence.

  1. Após a implantação do recurso, selecione Ir para o recurso.
  2. No painel esquerdo, selecione Chaves e Ponto de Extremidade.
  3. Copie uma das chaves e o Ponto de Extremidade para uso posteriormente neste artigo.

  

• Um arquivo de documento em uma URL. Para este projeto, você pode usar os formulários de exemplo fornecidos na tabela a seguir para cada recurso:

  Característica	modelID	document-url
  Modelo de leitura	prebuilt-read	Folheto de exemplo
  Modelo de layout	layout predefinido	Confirmação de reserva de exemplo
  Modelo de formulário W-2	prebuilt-tax.us.w2	Exemplo de formulário W-2
  Modelo de fatura	fatura predefinida	Fatura de exemplo
  Modelo de recibo	confirmação predefinida	Recibo de exemplo
  Modelo de documento de identificação	prebuilt-idDocument	Documento de identidade de exemplo

Definir variáveis de ambiente

Para interagir com o serviço de Informação de Documentos, você precisa criar uma instância da classe DocumentAnalysisClient. Para fazer isso, crie uma instância do cliente com seu key e endpoint no portal do Azure. Para este projeto, use variáveis de ambiente para armazenar e acessar credenciais.

Importante

Use as chaves de API com cuidado. Não inclua a chave da API diretamente no seu código e nunca a publique publicamente. Se você usar uma chave de API, armazene-a com segurança no Azure Key Vault. Para obter mais informações sobre como usar chaves de API com segurança em seus aplicativos, confira Chaves de API com o Azure Key Vault.

Para obter mais informações sobre a segurança dos serviços de IA, veja Autenticar solicitações para serviços de IA do Azure.

Para definir a variável de ambiente para sua chave de recurso do Document Intelligence, abra uma janela do console e siga as instruções para seu sistema operacional e ambiente de desenvolvimento. Substitua <yourKey> e <yourEndpoint> pelos valores do seu recurso no portal do Azure.

Windows

As variáveis ​​de ambiente no Windows não diferenciam maiúsculas de minúsculas. Eles normalmente são declarados em letras maiúsculas, com palavras unidas por um sublinhado. Em um prompt de comando, execute os seguintes comandos:

1. Defina sua variável de chave:

   setx DI_KEY <yourKey>
   

2. Definir sua variável de ponto de extremidade

   setx DI_ENDPOINT <yourEndpoint>
   

3. Feche a janela prompt de comando depois de definir suas variáveis de ambiente. Os valores permanecem até você alterá-los novamente.

4. Reinicie todos os programas em execução que leem a variável de ambiente. Por exemplo, se você estiver usando o Visual Studio ou o Visual Studio Code como editor, reinicie antes de executar o código de exemplo.

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
setx VARIABLE_NAME=	Exclua a variável de ambiente definindo o valor como uma cadeia de caracteres vazia.	setx DI_KEY=
setx VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Exiba o valor de uma variável de ambiente específica.	set DI_KEY
set	Exibir todas as variáveis de ambiente.	set

macOS

As variáveis ​​de ambiente no macOS diferenciam maiúsculas de minúsculas. Convencionalmente, o nome da variável é declarado em letras maiúsculas.

O export comando define a variável e a exporta para o ambiente global, que está disponível para outros processos. No entanto, o valor é temporário e dura apenas até que você feche a sessão do terminal. Abra o terminal e insira os seguintes comandos:

1. Defina sua variável de chave:

   export key=<yourKey>
   

2. Defina sua variável de ponto de extremidade:

   export endpoint=<yourEndpoint>
   

Para definir uma variável de ambiente permanentemente, coloque um comando de exportação no script de inicialização do Bash ~/.bash_profile :

1. Use um editor de texto para abrir o arquivo ~/.bash_profile e adicione o seguinte comando para criar uma variável de ambiente permanente:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Exemplo: export DI_KEY="<yourKey>"

2. Salve suas alterações no arquivo bash_profile .

3. Para tornar as alterações efetivas, execute o seguinte comando na janela do terminal:

   source ~/.bash-profile
   

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
unset VARIABLE_NAME	Excluir uma variável de ambiente.	unset DI_KEY
export VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente temporária.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Exiba o valor de uma variável de ambiente específica. Com o echo comando, preceda a variável com $.	printenv DI_KEY echo $DI_KEY
printenv	Exibir todas as variáveis de ambiente.	printenv

Linux

As variáveis ​​de ambiente no Linux diferenciam maiúsculas de minúsculas. Convencionalmente, o nome da variável é declarado em letras maiúsculas.

O export comando define a variável e a exporta para o ambiente global, que está disponível para outros processos. No entanto, o valor é temporário e dura apenas até que você feche a sessão do terminal:

1. Defina sua variável de chave:

   export DI_KEY=<yourKey>
   

2. Defina sua variável de ponto de extremidade:

   export DI_ENDPOINT=<yourEndpoint>
   

Para definir uma variável de ambiente permanentemente, coloque um comando de exportação no script de inicialização do Bash ~/.bashrc :

1. Use um editor de texto para abrir o arquivo ~/.bashrc e adicionar o seguinte comando para criar uma variável de ambiente permanente:

   export <VARIABLE>=<value>
   

   Exemplo: export DI_KEY=<yourKey>

2. Salve suas alterações no arquivo .bashrc .

3. Para tornar as alterações efetivas, execute o seguinte comando na janela do terminal:

   source ~/.bashrc
   

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
unset VARIABLE_NAME	Excluir uma variável de ambiente.	unset DI_KEY=
export VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente temporária.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Exiba o valor de uma variável de ambiente. Com o echo comando, preceda a variável com $.	printenv DI_KEY echo $DI_KEY
printenv	Exibir todas as variáveis de ambiente.	printenv

Configurar seu ambiente de programação

Crie um aplicativo Node.js Express.

1. Em uma janela do console, crie e navegue até um novo diretório para seu aplicativo chamado doc-intel-app.

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

2. Execute o comando npm init para inicializar o aplicativo e fazer scaffold do seu projeto.

   npm init
   

3. Especifique os atributos do projeto usando os prompts apresentados no terminal.

   • Os atributos mais importantes são nome, número de versão e ponto de entrada.
   • Recomendamos que você mantenha o nome do ponto de entrada como index.js. A descrição, o comando de teste, o repositório GitHub, as palavras-chave, o autor e as informações de licença são atributos opcionais. Você pode ignorá-los neste projeto.
   • Selecione Enter para aceitar as sugestões entre parênteses.

   Depois de concluir os prompts, o comando cria um package.json arquivo no diretório doc-intel-app .

4. Instale a biblioteca do cliente ai-document-intelligence e os pacotes npm azure/identity:

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

O arquivo package.json do aplicativo é atualizado com as dependências.

1. Crie um arquivo chamado index.js no diretório do aplicativo.

   Dica

   Você pode criar um novo arquivo usando o PowerShell. Abra uma janela do PowerShell no diretório do projeto mantendo pressionada a tecla Shift e clicando com o botão direito do mouse na pasta e digite o seguinte comando: New-Item index.js.

Crie seu aplicativo

Para interagir com o serviço de Informação de Documentos, você precisa criar uma instância da classe DocumentIntelligenceClient. Para fazer isso, crie uma AzureKeyCredential com a sua chave do portal do Azure e uma DocumentIntelligenceClient instância com a AzureKeyCredential e seu ponto de extremidade da Informação de Documentos.

Abra o index.js arquivo no Visual Studio Code ou no IDE favorito e selecione um dos seguintes exemplos de código e copie/cole em seu aplicativo:

• O modelo de leitura predefinido está no centro de todos os modelos do Document Intelligence e pode detectar linhas, palavras, locais e idiomas. O layout, o documento geral, os modelos predefinidos e personalizados usam o read modelo como base para extrair textos de documentos.
• O modelo layout predefinido extrai texto e locais de texto, tabelas, marcas de seleção e informações estruturais de documentos e imagens.
• O modelo prebuilt-tax.us.w2 extrai informações relatadas sobre formulários fiscais da Receita Federal dos EUA.
• O modelo de fatura predefinida extrai informações relatadas nos formulários fiscais da Receita Federal dos EUA.
• O modelo de recibo predefinido extrai informações importantes de recibos de vendas impressos e manuscritos.
• O modelo prebuilt-idDocument extrai informações importantes das Carteiras de Motorista dos EUA; páginas biográficas de passaporte internacional; IDs de estado dos EUA; cartões de seguridade social; e cartões de residência permanente.

Use o modelo de leitura

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);
});

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do read modelo.

Usar o modelo de Layout

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);
  });

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de layout.

Usar o modelo de documento geral

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);
});

Visite o repositório de exemplos do Azure no GitHub e exiba a saída geral do modelo de documento.

Use o modelo de imposto W-2

const { DocumentIntelligenceClient } = require("@azure-rest/ai-document-intelligence");
const  { AzureKeyCredential } = require("@azure/core-auth");

//use your `key` and `endpoint` environment variables
const key = process.env['DI_KEY'];
const endpoint = process.env['DI_ENDPOINT'];

const w2DocumentURL = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png"

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

 const poller = await client.beginAnalyzeDocument("prebuilt-tax.us.w2", w2DocumentURL);

 const {
   documents: [result]
 } = await poller.pollUntilDone();

  if (result) {
    const { Employee, Employer, ControlNumber, TaxYear, AdditionalInfo } = result.fields;

    if (Employee) {
      const { Name, Address, SocialSecurityNumber } = Employee.properties;
      console.log("Employee:");
      console.log("  Name:", Name && Name.content);
      console.log("  SSN/TIN:", SocialSecurityNumber && SocialSecurityNumber.content);
      if (Address && Address.value) {
        const { streetAddress, postalCode } = Address.value;
        console.log("  Address:");
        console.log("    Street Address:", streetAddress);
        console.log("    Postal Code:", postalCode);
      }
    } else {
      console.log("No employee information extracted.");
    }

    if (Employer) {
      const { Name, Address, IdNumber } = Employer.properties;
      console.log("Employer:");
      console.log("  Name:", Name && Name.content);
      console.log("  ID (EIN):", IdNumber && IdNumber.content);

      if (Address && Address.value) {
        const { streetAddress, postalCode } = Address.value;
        console.log("  Address:");
        console.log("    Street Address:", streetAddress);
        console.log("    Postal Code:", postalCode);
      }
    } else {
      console.log("No employer information extracted.");
    }

    console.log("Control Number:", ControlNumber && ControlNumber.content);
    console.log("Tax Year:", TaxYear && TaxYear.content);

    if (AdditionalInfo) {
      console.log("Additional Info:");

      for (const info of AdditionalInfo.values) {
        const { LetterCode, Amount } = info.properties;
        console.log(`- ${LetterCode && LetterCode.content}: ${Amount && Amount.content}`);
      }
    }
  } else {
    throw new Error("Expected at least one document in the result.");
  }
}

main().catch((error) => {
  console.error(error);
  process.exit(1);
});

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de imposto W-2.

Usar o modelo de fatura

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);
});

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de fatura.

Usar o modelo de confirmação

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);
});

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de recibo.

Usar o modelo de Documento de identidade

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);
});

Visite o repositório de amostras do Azure no GitHub e visualize a saída do modelo de documento de ID.

Biblioteca de cliente | Referência da API REST | Pacote (PyPi) | Amostras | Versão da API REST com suporte

Pré-requisitos

• Uma assinatura do Azure – Crie uma gratuitamente.

• Python 3.7 ou posterior. A instalação do Python deve incluir o pip. Você pode verificar se o pip foi instalado executando pip --version na linha de comando. Instale a versão mais recente do Python para obter o pip.

• A versão mais recente do Visual Studio Code ou do seu IDE preferido. Consulte Introdução ao Python no Visual Studio Code.

• Um recurso Foundry Tools ou Informação de Documentos. Crie um serviço único ou um serviço múltiplo. Use o tipo de preço gratuito (F0) para experimentar o serviço e atualizar mais tarde para um nível pago para produção.

• A chave e o ponto de extremidade do recurso que você cria para conectar seu aplicativo ao Azure Document Intelligence.

  1. Após a implantação do recurso, selecione Ir para o recurso.
  2. No painel esquerdo, selecione Chaves e Ponto de Extremidade.
  3. Copie uma das chaves e o Ponto de Extremidade para uso posteriormente neste artigo.

  

• Um arquivo de documento em uma URL. Para este projeto, você pode usar os formulários de exemplo fornecidos na tabela a seguir para cada recurso:

  Característica	modelID	document-url
  Modelo de leitura	prebuilt-read	Folheto de exemplo
  Modelo de layout	layout predefinido	Confirmação de reserva de exemplo
  Modelo de formulário W-2	prebuilt-tax.us.w2	Exemplo de formulário W-2
  Modelo de fatura	fatura predefinida	Fatura de exemplo
  Modelo de recibo	confirmação predefinida	Recibo de exemplo
  Modelo de documento de identificação	prebuilt-idDocument	Documento de identidade de exemplo

Definir variáveis de ambiente

Para interagir com o serviço de Informação de Documentos, você precisa criar uma instância da classe DocumentAnalysisClient. Para fazer isso, crie uma instância do cliente com seu key e endpoint no portal do Azure. Para este projeto, use variáveis de ambiente para armazenar e acessar credenciais.

Importante

Use as chaves de API com cuidado. Não inclua a chave da API diretamente no seu código e nunca a publique publicamente. Se você usar uma chave de API, armazene-a com segurança no Azure Key Vault. Para obter mais informações sobre como usar chaves de API com segurança em seus aplicativos, confira Chaves de API com o Azure Key Vault.

Para obter mais informações sobre a segurança dos serviços de IA, veja Autenticar solicitações para serviços de IA do Azure.

Para definir a variável de ambiente para sua chave de recurso do Document Intelligence, abra uma janela do console e siga as instruções para seu sistema operacional e ambiente de desenvolvimento. Substitua <yourKey> e <yourEndpoint> pelos valores do seu recurso no portal do Azure.

Windows

As variáveis ​​de ambiente no Windows não diferenciam maiúsculas de minúsculas. Eles normalmente são declarados em letras maiúsculas, com palavras unidas por um sublinhado. Em um prompt de comando, execute os seguintes comandos:

1. Defina sua variável de chave:

   setx DI_KEY <yourKey>
   

2. Definir sua variável de ponto de extremidade

   setx DI_ENDPOINT <yourEndpoint>
   

3. Feche a janela prompt de comando depois de definir suas variáveis de ambiente. Os valores permanecem até você alterá-los novamente.

4. Reinicie todos os programas em execução que leem a variável de ambiente. Por exemplo, se você estiver usando o Visual Studio ou o Visual Studio Code como editor, reinicie antes de executar o código de exemplo.

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
setx VARIABLE_NAME=	Exclua a variável de ambiente definindo o valor como uma cadeia de caracteres vazia.	setx DI_KEY=
setx VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Exiba o valor de uma variável de ambiente específica.	set DI_KEY
set	Exibir todas as variáveis de ambiente.	set

macOS

As variáveis ​​de ambiente no macOS diferenciam maiúsculas de minúsculas. Convencionalmente, o nome da variável é declarado em letras maiúsculas.

O export comando define a variável e a exporta para o ambiente global, que está disponível para outros processos. No entanto, o valor é temporário e dura apenas até que você feche a sessão do terminal. Abra o terminal e insira os seguintes comandos:

1. Defina sua variável de chave:

   export key=<yourKey>
   

2. Defina sua variável de ponto de extremidade:

   export endpoint=<yourEndpoint>
   

Para definir uma variável de ambiente permanentemente, coloque um comando de exportação no script de inicialização do Bash ~/.bash_profile :

1. Use um editor de texto para abrir o arquivo ~/.bash_profile e adicione o seguinte comando para criar uma variável de ambiente permanente:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Exemplo: export DI_KEY="<yourKey>"

2. Salve suas alterações no arquivo bash_profile .

3. Para tornar as alterações efetivas, execute o seguinte comando na janela do terminal:

   source ~/.bash-profile
   

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
unset VARIABLE_NAME	Excluir uma variável de ambiente.	unset DI_KEY
export VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente temporária.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Exiba o valor de uma variável de ambiente específica. Com o echo comando, preceda a variável com $.	printenv DI_KEY echo $DI_KEY
printenv	Exibir todas as variáveis de ambiente.	printenv

Linux

As variáveis ​​de ambiente no Linux diferenciam maiúsculas de minúsculas. Convencionalmente, o nome da variável é declarado em letras maiúsculas.

O export comando define a variável e a exporta para o ambiente global, que está disponível para outros processos. No entanto, o valor é temporário e dura apenas até que você feche a sessão do terminal:

1. Defina sua variável de chave:

   export DI_KEY=<yourKey>
   

2. Defina sua variável de ponto de extremidade:

   export DI_ENDPOINT=<yourEndpoint>
   

Para definir uma variável de ambiente permanentemente, coloque um comando de exportação no script de inicialização do Bash ~/.bashrc :

1. Use um editor de texto para abrir o arquivo ~/.bashrc e adicionar o seguinte comando para criar uma variável de ambiente permanente:

   export <VARIABLE>=<value>
   

   Exemplo: export DI_KEY=<yourKey>

2. Salve suas alterações no arquivo .bashrc .

3. Para tornar as alterações efetivas, execute o seguinte comando na janela do terminal:

   source ~/.bashrc
   

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
unset VARIABLE_NAME	Excluir uma variável de ambiente.	unset DI_KEY=
export VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente temporária.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Exiba o valor de uma variável de ambiente. Com o echo comando, preceda a variável com $.	printenv DI_KEY echo $DI_KEY
printenv	Exibir todas as variáveis de ambiente.	printenv

Configurar seu ambiente de programação

Abra uma janela do console em seu ambiente local e instale a biblioteca cliente do Azure Document Intelligence em Foundry Tools para Python usando o pip.

pip install azure-ai-documentintelligence==1.0.0b4

Criar seu aplicativo Python

Para interagir com o serviço de Informação de Documentos, você precisa criar uma instância da classe DocumentIntelligenceClient. Para fazer isso, crie uma AzureKeyCredential com a sua chave do portal do Azure e uma DocumentIntelligenceClient instância com a AzureKeyCredential e seu ponto de extremidade da Informação de Documentos.

1. Crie um novo arquivo Python chamado form_recognizer_quickstart.py em um editor ou IDE.

2. Abra o arquivo form_recognizer_quickstart.py e selecione um dos seguintes exemplos de código e copie/cole em seu aplicativo:

   • O modelo de leitura predefinido está no centro de todos os modelos do Document Intelligence e pode detectar linhas, palavras, locais e idiomas. O layout, o documento geral, os modelos predefinidos e personalizados usam o read modelo como base para extrair textos de documentos.
   • O modelo layout predefinido extrai texto e locais de texto, tabelas, marcas de seleção e informações estruturais de documentos e imagens.
   • O modelo prebuilt-tax.us.w2 extrai informações relatadas sobre formulários fiscais da Receita Federal dos EUA.
   • O modelo de fatura predefinida extrai os principais campos e itens de linha de faturas de vendas em vários formatos.
   • O modelo de recibo predefinido extrai informações importantes de recibos de vendas impressos e manuscritos.
   • O modelo prebuilt-idDocument extrai informações importantes das Carteiras de Motorista dos EUA; páginas biográficas de passaporte internacional; IDs de estado dos EUA; cartões de seguridade social; e cartões de residência permanente.

3. Execute o código Python no terminal de comando.

   python form_recognizer_quickstart.py
   

Use o modelo de leitura

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

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

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


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


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

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

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

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

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

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

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

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

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

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

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

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


if __name__ == "__main__":
    analyze_read()

Exibir código completo no GitHub.Mais exemplos

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do read modelo.

Usar o modelo de Layout

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


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


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

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

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

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

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

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

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

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

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

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



if __name__ == "__main__":
    analyze_layout()

Exibir código completo no GitHub.Mais exemplos

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de layout.

Use o modelo de imposto W-2

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

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

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


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

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

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

    w2s: AnalyzeResult =  poller.result()

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


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


if __name__ == "__main__":
    analyze_tax_us_w2()

Exibir código completo no GitHub.Mais exemplos

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de imposto W-2.

Usar o modelo de fatura

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

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

def analyze_invoice():

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

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

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

    result: AnalyzeResult = poller.result()

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


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

if __name__ == "__main__":
    analyze_invoice()

Exibir código completo no GitHub.Mais exemplos

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de fatura.

Usar o modelo de confirmação

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

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

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

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

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



if __name__ == "__main__":
    analyze_receipts()

Exibir código completo no GitHub.Mais exemplos

Visite o repositório de exemplos do Azure no GitHub e exiba a saída do modelo de recibo.

Usar o modelo de Documento de identidade

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

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

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

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

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

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


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

if __name__ == "__main__":
    analyze_identity_documents()

Exibir código completo no GitHub.Mais exemplos

Visite o repositório de amostras do Azure no GitHub e visualize a saída do modelo de documento de ID.

Observação

Este projeto usa a ferramenta de linha de comando cURL para executar chamadas à API REST.

| API REST da Informação de Documentos | Suporte no Azure SDKs

Pré-requisitos

• Uma assinatura do Azure – Crie uma gratuitamente.

• A ferramenta de linha de comando cURL está instalada. O Windows 10 e o Windows 11 incluem uma cópia do cURL. Em um prompt de comando, digite o comando cURL a seguir. Se as opções de ajuda forem exibidas, o cURL será instalado em seu ambiente do Windows.

  curl -help
  

  Se o cURL não estiver instalado, você poderá obtê-lo aqui:

  • Windows
  • Mac ou Linux

• Um recurso Foundry Tools ou Informação de Documentos. Crie um serviço único ou um serviço múltiplo. Use o tipo de preço gratuito (F0) para experimentar o serviço e atualizar mais tarde para um nível pago para produção.

• A chave e o ponto de extremidade do recurso que você cria para conectar seu aplicativo ao Azure Document Intelligence.

  1. Após a implantação do recurso, selecione Ir para o recurso.
  2. No painel esquerdo, selecione Chaves e Ponto de Extremidade.
  3. Copie uma das chaves e o Ponto de Extremidade para uso posteriormente neste artigo.

  

Definir variáveis de ambiente

Para interagir com o serviço de Informação de Documentos, você precisa criar uma instância da classe DocumentAnalysisClient. Para fazer isso, crie uma instância do cliente com seu key e endpoint no portal do Azure. Para este projeto, use variáveis de ambiente para armazenar e acessar credenciais.

Importante

Use as chaves de API com cuidado. Não inclua a chave da API diretamente no seu código e nunca a publique publicamente. Se você usar uma chave de API, armazene-a com segurança no Azure Key Vault. Para obter mais informações sobre como usar chaves de API com segurança em seus aplicativos, confira Chaves de API com o Azure Key Vault.

Para obter mais informações sobre a segurança dos serviços de IA, veja Autenticar solicitações para serviços de IA do Azure.

Para definir a variável de ambiente para sua chave de recurso do Document Intelligence, abra uma janela do console e siga as instruções para seu sistema operacional e ambiente de desenvolvimento. Substitua <yourKey> e <yourEndpoint> pelos valores do seu recurso no portal do Azure.

Windows

As variáveis ​​de ambiente no Windows não diferenciam maiúsculas de minúsculas. Eles normalmente são declarados em letras maiúsculas, com palavras unidas por um sublinhado. Em um prompt de comando, execute os seguintes comandos:

1. Defina sua variável de chave:

   setx DI_KEY <yourKey>
   

2. Definir sua variável de ponto de extremidade

   setx DI_ENDPOINT <yourEndpoint>
   

3. Feche a janela prompt de comando depois de definir suas variáveis de ambiente. Os valores permanecem até você alterá-los novamente.

4. Reinicie todos os programas em execução que leem a variável de ambiente. Por exemplo, se você estiver usando o Visual Studio ou o Visual Studio Code como editor, reinicie antes de executar o código de exemplo.

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
setx VARIABLE_NAME=	Exclua a variável de ambiente definindo o valor como uma cadeia de caracteres vazia.	setx DI_KEY=
setx VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente.	setx DI_KEY=<yourKey>
set VARIABLE_NAME	Exiba o valor de uma variável de ambiente específica.	set DI_KEY
set	Exibir todas as variáveis de ambiente.	set

macOS

As variáveis ​​de ambiente no macOS diferenciam maiúsculas de minúsculas. Convencionalmente, o nome da variável é declarado em letras maiúsculas.

O export comando define a variável e a exporta para o ambiente global, que está disponível para outros processos. No entanto, o valor é temporário e dura apenas até que você feche a sessão do terminal. Abra o terminal e insira os seguintes comandos:

1. Defina sua variável de chave:

   export key=<yourKey>
   

2. Defina sua variável de ponto de extremidade:

   export endpoint=<yourEndpoint>
   

Para definir uma variável de ambiente permanentemente, coloque um comando de exportação no script de inicialização do Bash ~/.bash_profile :

1. Use um editor de texto para abrir o arquivo ~/.bash_profile e adicione o seguinte comando para criar uma variável de ambiente permanente:

   export DI_KEY=<yourKey> DI_ENDPOINT=<yourEndpoint>
   

   Exemplo: export DI_KEY="<yourKey>"

2. Salve suas alterações no arquivo bash_profile .

3. Para tornar as alterações efetivas, execute o seguinte comando na janela do terminal:

   source ~/.bash-profile
   

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
unset VARIABLE_NAME	Excluir uma variável de ambiente.	unset DI_KEY
export VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente temporária.	export DI_KEY=<yourKey>
printenv VARIABLE_NAME echo $VARIABLE_NAME	Exiba o valor de uma variável de ambiente específica. Com o echo comando, preceda a variável com $.	printenv DI_KEY echo $DI_KEY
printenv	Exibir todas as variáveis de ambiente.	printenv

Linux

As variáveis ​​de ambiente no Linux diferenciam maiúsculas de minúsculas. Convencionalmente, o nome da variável é declarado em letras maiúsculas.

O export comando define a variável e a exporta para o ambiente global, que está disponível para outros processos. No entanto, o valor é temporário e dura apenas até que você feche a sessão do terminal:

1. Defina sua variável de chave:

   export DI_KEY=<yourKey>
   

2. Defina sua variável de ponto de extremidade:

   export DI_ENDPOINT=<yourEndpoint>
   

Para definir uma variável de ambiente permanentemente, coloque um comando de exportação no script de inicialização do Bash ~/.bashrc :

1. Use um editor de texto para abrir o arquivo ~/.bashrc e adicionar o seguinte comando para criar uma variável de ambiente permanente:

   export <VARIABLE>=<value>
   

   Exemplo: export DI_KEY=<yourKey>

2. Salve suas alterações no arquivo .bashrc .

3. Para tornar as alterações efetivas, execute o seguinte comando na janela do terminal:

   source ~/.bashrc
   

Aqui estão alguns comandos mais úteis para usar com variáveis de ambiente:

Comando	Ação	Exemplo
unset VARIABLE_NAME	Excluir uma variável de ambiente.	unset DI_KEY=
export VARIABLE_NAME=value	Defina ou altere o valor de uma variável de ambiente temporária.	export DI_KEY={yourKey}
printenv VARIABLE_NAME echo $VARIABLE_NAME	Exiba o valor de uma variável de ambiente. Com o echo comando, preceda a variável com $.	printenv DI_KEY echo $DI_KEY
printenv	Exibir todas as variáveis de ambiente.	printenv

Analisar documentos e obter resultados

Uma solicitação POST é usada para analisar documentos com um modelo predefinido ou personalizado. Uma solicitação GET é usada para recuperar o resultado de uma chamada de análise de documento. O modelId é usado com POST e resultId, com operações GET.

Use a tabela a seguir como referência. Substitua <modelId> e <document-url> pelos valores desejados:

Modelo	modelId	descrição	document-url
Modelo de leitura	prebuilt-read	Folheto de exemplo	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/read.png
Modelo de layout	layout predefinido	Confirmação de reserva de exemplo	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/layout.png
Modelo de formulário W-2	prebuilt-tax.us.w2	Exemplo de formulário W-2	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png
Modelo de fatura	fatura predefinida	Exemplo de fatura	https://github.com/Azure-Samples/cognitive-services-REST-api-samples/raw/master/curl/form-recognizer/rest-api/invoice.pdf
Modelo de recibo	confirmação predefinida	Recibo de exemplo	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/receipt.png
Modelo de documento de identificação	prebuilt-idDocument	Documento de identidade de exemplo	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png

Solicitação POST

Abra uma janela bash e execute o seguinte comando cURL. Os comandos incluem as variáveis ​​de ambiente de ponto de extremidade e chave criadas anteriormente na seção definir variáveis ​​de ambiente. Substitua essas variáveis se os nomes das variáveis forem diferentes. Lembre-se de substituir os <parâmetros modelId> e <document-url> .

curl -i -X POST "POST {endpoint}/documentintelligence/documentModels/{modelId}:analyze?_overload=analyzeDocument&api-version=2024-11-30" -H "Content-Type: application/json" -H "Ocp-Apim-Subscription-Key: {DI_KEY}" --data-ascii "{'urlSource': '<document-url>'}"

Para habilitar recursos de complemento, use o features parâmetro de consulta na solicitação POST. Há quatro recursos de complemento disponíveis com o 2023-07-31 (GA) e versões posteriores: ocr.highResolution, ocr.formula, ocr.font e queryFields.premium. Para saber mais sobre cada uma das funcionalidades, consulte Modelos personalizados.

Você só pode chamar os recursos highResolution, formula e font para o modelo de Leitura e Layout e a funcionalidade queryFields para o modelo documentos gerais. O exemplo a seguir mostra como chamar os recursos highResolution, formula e font para o modelo layout.

curl -i -X POST "{endpoint}/documentintelligence/documentModels/prebuilt-layout:analyze?features=ocr.highResolution,ocr.formula,ocr.font?api-version=2024-11-30" -H "Content-Type: application/json" -H "Ocp-Apim-Subscription-Key: {DI_KEY}" --data-ascii "{'urlSource': '<document-url>'}"

Resposta POST

Você recebe uma 202 (Success) resposta que inclui um Operation-location cabeçalho. Use o valor desse cabeçalho para recuperar os resultados da resposta.

Obter o resultado da análise (solicitação GET)

Depois de chamar a Analyze document API, chame a Get analyze API de resultado para obter o status da operação e os dados extraídos.

A ferramenta de linha de comando cURL não formata respostas de API que contêm conteúdo JSON, o que pode dificultar a leitura do conteúdo. Para formatar a resposta JSON, inclua o caractere de barra vertical seguido por uma ferramenta de formatação JSON com a sua solicitação GET.

Windows

Use a ferramenta Node.js json como um formatador JSON para cURL. Se você não tiver Node.js instalado, baixe e instale a versão mais recente.

1. Abra uma janela bash e instale a ferramenta json usando o seguinte comando:

   npm install -g jsontool
   

2. Imprima a saída JSON incluindo o caractere de pipe | json com suas solicitações GET.

   curl -i -X GET "<endpoint>documentintelligence/documentModels/prebuilt-read/analyzeResults/0e49604a-2d8e-4b15-b6b8-bb456e5d3e0a?api-version=2024-11-30"-H "Ocp-Apim-Subscription-Key: <subscription key>" | json
   

macOS

A ferramenta de comando json_pp é fornecida com macOS e pode ser usada como um formatador JSON para cURL.

• Imprima a saída JSON incluindo | json_pp com suas solicitações GET.

  curl -i -X GET "{endpoint}/documentintelligence/documentModels/{modelId}/analyzeResults/{resultId}?api-version=2024-11-30"-H "Ocp-Apim-Subscription-Key: <subscription key>" | json_pp
  

Linux

A ferramenta de linha de comando json_pp é pré-instalada na maioria das distribuições do Linux. Se ele não estiver incluído, você poderá usar o gerenciador de pacotes da distribuição para instalá-lo.

• Imprima a saída JSON incluindo | json_pp com suas GET solicitações.

  curl -i -X GET "{endpoint}/documentintelligence/documentModels/{modelId}/analyzeResults/{resultId}?api-version=2024-11-30"-H "Ocp-Apim-Subscription-Key: <subscription key>" | json_pp
  

Solicitação GET

Antes de executar o seguinte comando, faça estas alterações:

• Substitua a <resposta POST> pelo cabeçalho Operation-location da resposta POST.
• Substitua <DI_KEY pela variável da variável de ambiente se ela for diferente do nome no código.
• Substitua *<json-tool> pela ferramenta de formatação JSON.

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

Examinar a resposta

Você receberá uma resposta 200 (Success) com uma saída em JSON. O primeiro campo, status, indica o status da operação. Se a operação não estiver concluída, o valor de status será running ou notStarted. Chame a API novamente, manualmente ou por meio de um script. Recomendamos dar um intervalo de um segundo ou mais entre chamadas.

Visite o repositório de exemplos do Azure no GitHub para exibir a GET resposta de cada um dos modelos do Document Intelligence:

Modelo	URL de saída
Modelo de leitura	Ler saída do modelo
Modelo de layout	Saída do modelo de layout
Modelo de imposto W-2	Saída do modelo de Imposto W-2
Modelo de fatura	Saída do modelo de Fatura
Modelo de recibo	Saída do modelo de Recibo
Modelo de documento de identificação	Saída do modelo de Documento de identidade

Próximas etapas

Parabéns! Você aprendeu a usar modelos do Document Intelligence para analisar vários documentos de diferentes maneiras. Em seguida, explore o Document Intelligence Studio e a documentação de referência.

Experimente o Document Intelligence Studiopara explorar a API REST do Document Intelligence