Belge Zekası'yla çalışmaya başlama

Önemli

• Azure Bilişsel Hizmetler Form Tanıma artık Azure AI Belge Zekası'dır.
• Bazı platformlar hala yeniden adlandırma güncelleştirmesini bekliyor.
• Belgelerimizdeki Form Tanıma veya Belge Zekası'nın tüm ifadeleri aynı Azure hizmetini ifade eder.

Bu içerik şunlar için geçerlidir: v3.1 (GA) Önceki sürümler: v3.0 v2.1

• Azure Form Tanıma en son GA sürümünü (2023-07-31 ) kullanmaya başlayın.

• Azure AI Belge Zekası / Form Tanıma, belgelerinizden anahtar-değer çiftlerini, metinleri, tabloları ve anahtar verilerini ayıklamak için makine öğrenmesini kullanan bulut tabanlı bir Azure yapay zeka hizmetidir.

• Programlama dili SDK'sını kullanarak veya REST API'yi çağırarak belge işleme modellerini iş akışlarınızla ve uygulamalarınızla kolayca tümleştirebilirsiniz.

• Bu hızlı başlangıçta, teknolojiyi öğrenirken ücretsiz hizmeti kullanmanızı öneririz. Ücretsiz sayfa sayısının ayda 500 ile sınırlı olduğunu unutmayın.

API özellikleri ve geliştirme seçenekleri hakkında daha fazla bilgi edinmek için Genel Bakış sayfamızı ziyaret edin.

İstemci kitaplığı | SDK başvuru | API'si başvuru | Paketi (NuGet) | Örnekleri | Desteklenen REST API sürümü

Bu hızlı başlangıçta, formlardan ve belgelerden veri ve değerleri analiz etmek ve ayıklamak için aşağıdaki özellikleri kullanın:

• Düzen modeli— Model eğitmeye gerek kalmadan belgelerdeki radyo düğmeleri ve onay kutuları gibi tabloları, satırları, sözcükleri ve seçim işaretlerini analiz edin ve ayıklayın.

• Önceden oluşturulmuş model—Önceden oluşturulmuş bir model kullanarak belirli belge türlerinde ortak alanları analiz edin ve ayıklayın.

Önkoşullar

• Azure aboneliği - Ücretsiz bir abonelik oluşturun.

• Visual Studio IDE'nin geçerli sürümü.

• Azure AI hizmetleri veya Form Tanıma kaynağı. Azure aboneliğinizi aldıktan sonra anahtarınızı ve uç noktanızı almak için Azure portalında tek hizmetli veya Azure AI çok hizmetli bir kaynak oluşturun.

• Hizmeti denemek ve daha sonra üretim için ücretli bir katmana yükseltmek için ücretsiz fiyatlandırma katmanını (F0) kullanabilirsiniz.

İpucu

Tek bir uç nokta/anahtar altında birden çok Azure AI hizmetine erişmeyi planlıyorsanız bir Azure AI hizmetleri kaynağı oluşturun. Yalnızca Form Tanıma erişim için bir Form Tanıma kaynağı oluşturun. Microsoft Entra kimlik doğrulamasını kullanmak istiyorsanız tek hizmetli bir kaynağa ihtiyacınız olduğunu lütfen unutmayın.

• Kaynağınız dağıtıldıktan sonra Kaynağa git'i seçin. Uygulamanızı Form Tanıma API'sine bağlamak için oluşturduğunuz kaynaktan anahtara ve uç noktaya ihtiyacınız vardır. Anahtarınızı ve uç noktanızı hızlı başlangıcın ilerleyen bölümlerinde koda yapıştırırsınız:

  

Ayarlama

1. Visual Studio'yu başlatın.

2. Başlangıç sayfasında Yeni proje oluştur'u seçin.

   

3. Yeni proje oluştur sayfasında, arama kutusuna konsol yazın. Konsol Uygulaması şablonunu ve ardından İleri'yi seçin.

   

4. Yeni projenizi yapılandırın iletişim penceresinde Proje adı kutusuna girinform_recognizer_quickstart. Ardından İleri'yi seçin.

5. Ek bilgiler iletişim kutusunda .NET 8.0 (uzun süreli destek) öğesini ve ardından Oluştur'u seçin.

   

NuGet ile istemci kitaplığını yükleme

1. form_recognizer_quickstart projenize sağ tıklayın ve NuGet Paketlerini Yönet... öğesini seçin.

   

2. Gözat sekmesini seçin ve Azure.AI.FormRecognizer yazın. Açılan menüden sürüm 4.1.0'ı seçin

   

Uygulamanızı derleme

Form Tanıma hizmetiyle etkileşim kurmak için sınıfının bir örneğini DocumentAnalysisClient oluşturmanız gerekir. Bunu yapmak için Azure portalından ile key ve ile bir örnek endpointAzureKeyCredential Form Tanıma oluşturursunuzAzureKeyCredential.DocumentAnalysisClient

Not

• .NET 6'dan başlayarak, şablonu kullanan console yeni projeler önceki sürümlerden farklı yeni bir program stili oluşturur.
• Yeni çıkış, yazmanız gereken kodu basitleştiren son C# özelliklerini kullanır.
• Daha yeni sürümü kullandığınızda, yalnızca yönteminin gövdesini Main yazmanız gerekir. Üst düzey deyimleri, genel using yönergelerini veya örtük using yönergelerini eklemeniz gerekmez.
• Daha fazla bilgi için bkz. Yeni C# şablonları üst düzey deyimler oluşturma.

1. Program.cs dosyasını açın.

2. satırı Console.Writeline("Hello World!")da dahil olmak üzere önceden var olan kodu silin ve uygulamanızın Program.cs dosyasına kopyalayıp yapıştırmak için aşağıdaki kod örneklerinden birini seçin:

   • Düzen modeli

   • Önceden oluşturulmuş model

Önemli

İşiniz bittiğinde anahtarı kodunuzdan kaldırmayı unutmayın ve asla herkese açık olarak göndermeyin. Üretim için Azure Key Vault gibi kimlik bilgilerinizi depolamanın ve bunlara erişmenin güvenli bir yolunu kullanın. Daha fazla bilgi için bkz . Azure AI hizmetleri güvenliği.

Düzen modeli

Belgelerden metin, seçim işaretleri, metin stilleri, tablo yapıları ve sınırlayıcı bölge koordinatlarını ayıklayın.

• Bu örnekte, URI'den bir belge dosyası gerekir. Bu hızlı başlangıç için örnek belgemizi kullanabilirsiniz.
• Dosya URI değerini betiğin Uri fileUri en üstündeki değişkene ekledik.
• URI'deki belirli bir dosyadan düzeni ayıklamak için yöntemini kullanın StartAnalyzeDocumentFromUri ve model kimliği olarak geçirin prebuilt-layout . Döndürülen değer, gönderilen belgedeki verileri içeren bir AnalyzeResult nesnedir.

aşağıdaki kod örneğini Program.cs dosyasına ekleyin. Anahtar ve uç nokta değişkenlerini Azure portal Form Tanıma örneğinizdeki değerlerle güncelleştirdiğinizden emin olun:

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

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

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

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

AnalyzeResult result = operation.Value;

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

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

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

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

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

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

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

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

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

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

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

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

Uygulamanızı çalıştırma

Uygulamanıza bir kod örneği ekledikten sonra, programınızı oluşturmak ve çalıştırmak için formRecognizer_quickstart yanındaki yeşil Başlangıç düğmesini seçin veya F5 tuşuna basın.

Düzen modeli çıkışı

Beklenen çıkışın kod parçacığı aşağıdadır:

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

Çıkışın tamamını görüntülemek için GitHub'daki Azure örnekleri deposunu ziyaret edin ve düzen modeli çıkışını görüntüleyin.

Önceden oluşturulmuş model

Önceden oluşturulmuş bir model kullanarak belirli belge türlerinden ortak alanları analiz edin ve ayıklayın. Bu örnekte, önceden oluşturulmuş fatura modelini kullanarak bir faturayı analiz ediyoruz.

İpucu

Faturalarla sınırlı değilsiniz; aralarından seçim yapabileceğiniz birkaç önceden oluşturulmuş model vardır ve bunların her birinin kendi desteklenen alanları vardır. İşlem için analyze kullanılacak model, analiz edilecek belgenin türüne bağlıdır. Bkz. model veri ayıklama.

• Önceden oluşturulmuş fatura modelini kullanarak bir faturayı analiz edin. Bu hızlı başlangıç için örnek fatura belgemizi kullanabilirsiniz.
• Dosya URI değerini Uri invoiceUri Program.cs dosyasının en üstündeki değişkene ekledik.
• URI'de belirli bir dosyayı analiz etmek için yöntemini kullanın StartAnalyzeDocumentFromUri ve model kimliği olarak geçirin prebuilt-invoice . Döndürülen değer, gönderilen belgedeki verileri içeren bir AnalyzeResult nesnedir.
• Kolaylık olması için, hizmetin döndürdüğü tüm anahtar-değer çiftleri burada gösterilmez. Tüm desteklenen alanların ve ilgili türlerin listesini görmek için Fatura kavramı sayfamıza bakın.

aşağıdaki kod örneğini Program.cs dosyanıza ekleyin. Anahtar ve uç nokta değişkenlerini Azure portal Form Tanıma örneğinizdeki değerlerle güncelleştirdiğinizden emin olun:

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

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

//sample invoice document

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

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

AnalyzeResult result = operation.Value;

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

    AnalyzedDocument document = result.Documents[i];

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

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

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

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

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

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

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

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

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

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

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

Uygulamanızı çalıştırma

Uygulamanıza bir kod örneği ekledikten sonra, programınızı oluşturmak ve çalıştırmak için formRecognizer_quickstart yanındaki yeşil Başlangıç düğmesini seçin veya F5 tuşuna basın.

Önceden oluşturulmuş model çıkışı

Beklenen çıkışın kod parçacığı aşağıdadır:

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

Çıkışın tamamını görüntülemek için GitHub'daki Azure örnekleri deposunu ziyaret edin ve önceden oluşturulmuş fatura modeli çıkışını görüntüleyin.

İstemci kitaplığı | SDK başvurusu | REST API başvuru | Paketi (Maven) | Desteklenen REST API sürümü örnekleri|

Bu hızlı başlangıçta, formlardan ve belgelerden veri ve değerleri analiz etmek ve ayıklamak için aşağıdaki özellikleri kullanın:

• Düzen— Model eğitmeye gerek kalmadan belgelerdeki radyo düğmeleri ve onay kutuları gibi tabloları, çizgileri, sözcükleri ve seçim işaretlerini analiz edin ve ayıklayın.

• Önceden oluşturulmuş Fatura— Önceden eğitilmiş bir model kullanarak belirli belge türlerinde ortak alanları analiz edin ve ayıklayın.

Önkoşullar

• Azure aboneliği - Ücretsiz bir abonelik oluşturun.

• Visual Studio Code'un en son sürümü veya tercih ettiğiniz IDE. Bkz. Visual Studio Code'da Java.

  İpucu

  • Visual Studio Code, Windows ve macOS için Java için bir Kodlama Paketi sunar.Kodlama paketi, BIR VS Code paketi, Java Geliştirme Seti (JDK) ve Microsoft tarafından önerilen uzantılardan oluşan bir koleksiyondur. Kodlama Paketi, mevcut geliştirme ortamını düzeltmek için de kullanılabilir.
  • VS Code ve Java için Kodlama Paketi kullanıyorsanız Java için Gradle uzantısını yükleyin.

• Visual Studio Code kullanmıyorsanız, geliştirme ortamınızda aşağıdakilerin yüklü olduğundan emin olun:

  • Java Geliştirme Seti (JDK) sürüm 8 veya üzeri. Daha fazla bilgi için bkz. OpenJDK'nin Microsoft Derlemesi.

  • Gradle, sürüm 6.8 veya üzeri.

• Azure AI hizmetleri veya Belge Zekası kaynağı. Azure aboneliğinizi aldıktan sonra anahtarınızı ve uç noktanızı almak için Azure portalında tek hizmetli veya çok hizmetli bir Belge Zekası kaynağı oluşturun. Hizmeti denemek ve daha sonra üretim için ücretli bir katmana yükseltmek için ücretsiz fiyatlandırma katmanını (F0) kullanabilirsiniz.

  İpucu

  Tek bir uç nokta/anahtar altında birden çok Azure AI hizmetine erişmeyi planlıyorsanız bir Azure AI hizmetleri kaynağı oluşturun. Yalnızca Belge Yönetim Bilgileri erişimi için bir Belge Yönetim Bilgileri kaynağı oluşturun. Microsoft Entra kimlik doğrulamasını kullanmak istiyorsanız tek hizmetli bir kaynağa ihtiyacınız olduğunu lütfen unutmayın.

• Kaynağınız dağıtıldıktan sonra Kaynağa git'i seçin. Uygulamanızı Belge Zekası API'sine bağlamak için oluşturduğunuz kaynaktan anahtara ve uç noktaya ihtiyacınız vardır. Daha sonra anahtarınızı ve uç noktanızı koda yapıştırırsınız:

  

Ayarlama

Yeni Gradle projesi oluşturma

1. Konsol penceresinde (cmd, PowerShell veya Bash gibi), uygulamanız için form-recognize-app adlı yeni bir dizin oluşturun ve bu dizine gidin.

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

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

2. gradle init Komutunu çalışma dizininizden çalıştırın. Bu komut, uygulamanızı oluşturmak ve yapılandırmak için çalışma zamanında kullanılan build.gradle.kts dahil olmak üzere Gradle için temel derleme dosyaları oluşturur.

   gradle init --type basic
   

3. DSL seçmeniz istendiğinde Kotlin'i seçin.

4. İade veya Enter'ı seçerek varsayılan proje adını (form-recognize-app) kabul edin.

İstemci kitaplığını yükleme

Bu hızlı başlangıçta Gradle bağımlılık yöneticisi kullanılır. Maven Central Repository'de diğer bağımlılık yöneticilerinin istemci kitaplığını ve bilgilerini bulabilirsiniz.

IDE'nizde projenin build.gradle.kts dosyasını açın. İstemci kitaplığını gerekli eklentiler ve ayarlarla birlikte bir implementation deyim olarak eklemek için aşağıdaki kodu birlikte ödenin ve yapıştırın.

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

   }

Java uygulaması oluşturma

Belge Yönetim Bilgileri hizmetiyle etkileşim kurmak için sınıfının bir örneğini DocumentAnalysisClient oluşturmanız gerekir. Bunu yapmak için Azure portalından ile key bir ve ve Belge Zekanız endpointile AzureKeyCredential bir DocumentAnalysisClient örnek oluşturursunuzAzureKeyCredential.

1. doc-intel-app dizininden aşağıdaki komutu çalıştırın:

   mkdir -p src/main/java
   

   Aşağıdaki dizin yapısını oluşturursunuz:

   

1. dizinine java gidin ve adlı FormRecognizer.javabir dosya oluşturun.

   İpucu

   • PowerShell kullanarak yeni bir dosya oluşturabilirsiniz.
   • Shift tuşunu basılı tutarak ve klasöre sağ tıklayarak proje dizininizde bir PowerShell penceresi açın.
   • Yeni Öğe FormRecognizer.java aşağıdaki komutu yazın.

2. FormRecognizer.java dosyasını açın. Aşağıdaki kod örneklerinden birini kopyalayıp uygulamanıza yapıştırın:

   • Düzen

   • Önceden Oluşturulmuş Fatura

Önemli

İşiniz bittiğinde anahtarı kodunuzdan kaldırmayı unutmayın ve asla herkese açık olarak göndermeyin. Üretim için Azure Key Vault gibi kimlik bilgilerinizi depolamanın ve bunlara erişmenin güvenli bir yolunu kullanın. Daha fazla bilgi için bkz . Azure AI hizmetleri güvenliği.

Düzen modeli

Belgelerden metin, seçim işaretleri, metin stilleri, tablo yapıları ve sınırlayıcı bölge koordinatlarını ayıklayın.

• Bu örnekte, URI'de bir belge dosyası gerekir. Bu hızlı başlangıç için örnek belgemizi kullanabilirsiniz.
• Belirli bir dosyayı URI'de analiz etmek için yöntemini kullanacak beginAnalyzeDocumentFromUrl ve model kimliği olarak geçireceksiniz prebuilt-layout . Döndürülen değer, gönderilen belgeyle ilgili verileri içeren bir AnalyzeResult nesnedir.
• Main yöntemindeki değişkene documentUrl dosya URI değerini ekledik.

Aşağıdaki kod örneğini dosyaya FormRecognizer.java ekleyin. Anahtar ve uç nokta değişkenlerini Azure portal Belge Zekası örneğinizdeki değerlerle güncelleştirdiğinizden emin olun:

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

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

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

public class FormRecognizer {

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

  public static void main(String[] args) {

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

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

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

    AnalyzeResult analyzeLayoutResult = analyzeLayoutResultPoller.getFinalResult();

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

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

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

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

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

Uygulamayı derleme ve çalıştırma

Uygulamanıza bir kod örneği ekledikten sonra ana proje dizininize (form-recognize-app) geri gidin.

1. Uygulamanızı şu komutla build oluşturun:

   gradle build
   

2. Uygulamanızı şu komutla run çalıştırın:

   gradle run
   

Düzen modeli çıkışı

Beklenen çıkışın kod parçacığı aşağıdadır:

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

Çıkışın tamamını görüntülemek için GitHub'daki Azure örnekleri deposunu ziyaret edin ve düzen modeli çıkışını görüntüleyin.

Önceden oluşturulmuş model

Önceden oluşturulmuş bir model kullanarak belirli belge türlerinden ortak alanları analiz edin ve ayıklayın. Bu örnekte, önceden oluşturulmuş fatura modelini kullanarak bir faturayı analiz ediyoruz.

İpucu

Faturalarla sınırlı değilsiniz; aralarından seçim yapabileceğiniz birkaç önceden oluşturulmuş model vardır ve bunların her birinin kendi desteklenen alanları vardır. İşlem için analyze kullanılacak model, analiz edilecek belgenin türüne bağlıdır. Bkz. model veri ayıklama.

• Önceden oluşturulmuş fatura modelini kullanarak bir faturayı analiz edin. Bu hızlı başlangıç için örnek fatura belgemizi kullanabilirsiniz.
• Dosyanın üst kısmındaki değişkene invoiceUrl dosya URL'si değerini ekledik.
• Belirli bir dosyayı URI'de analiz etmek için yöntemini kullanacak beginAnalyzeDocuments ve model kimliği olarak geçireceksiniz PrebuiltModels.Invoice . Döndürülen değer, gönderilen belgeyle ilgili verileri içeren bir result nesnedir.
• Kolaylık olması için, hizmetin döndürdüğü tüm anahtar-değer çiftleri burada gösterilmez. Tüm desteklenen alanların ve ilgili türlerin listesini görmek için Fatura kavramı sayfamıza bakın.

Aşağıdaki kod örneğini dosyaya FormRecognizer.java ekleyin. Anahtar ve uç nokta değişkenlerini Azure portal Belge Zekası örneğinizdeki değerlerle güncelleştirdiğinizden emin olun:

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

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

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

public class FormRecognizer {

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

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

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

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

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

    AnalyzeResult analyzeInvoiceResult = analyzeInvoicePoller.getFinalResult();

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

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

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

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

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

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

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

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

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

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

Uygulamayı derleme ve çalıştırma

Uygulamanıza bir kod örneği ekledikten sonra ana proje dizininize (doc-intel-app) geri gidin.

1. Uygulamanızı şu komutla build oluşturun:

   gradle build
   

2. Uygulamanızı şu komutla run çalıştırın:

   gradle run
   

Önceden oluşturulmuş model çıkışı

Beklenen çıkışın kod parçacığı aşağıdadır:

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

Çıkışın tamamını görüntülemek için GitHub'daki Azure örnekleri deposunu ziyaret edin ve önceden oluşturulmuş fatura modeli çıkışını görüntüleyin.

İstemci kitaplığı | SDK başvurusu | REST API başvuru | Paketi (npm) | Desteklenen REST API sürümü örnekleri |

Bu hızlı başlangıçta, formlardan ve belgelerden veri ve değerleri analiz etmek ve ayıklamak için aşağıdaki özellikleri kullanın:

• Düzen— Model eğitmeye gerek kalmadan belgelerdeki radyo düğmeleri ve onay kutuları gibi tabloları, çizgileri, sözcükleri ve seçim işaretlerini analiz edin ve ayıklayın.

• Önceden oluşturulmuş Fatura— Önceden eğitilmiş bir fatura modeli kullanarak belirli belge türlerinde ortak alanları analiz edin ve ayıklayın.

Önkoşullar

• Azure aboneliği - Ücretsiz bir abonelik oluşturun.

• Visual Studio Code'un en son sürümü veya tercih ettiğiniz IDE. Daha fazla bilgi için bkz. Visual Studio Code'da Node.js.

• Node.js'nin en son LTS sürümü.

• Azure AI hizmetleri veya Belge Zekası kaynağı. Azure aboneliğinizi aldıktan sonra anahtarınızı ve uç noktanızı almak için Azure portalında tek hizmetli veya çok hizmetli bir Belge Zekası kaynağı oluşturun. Hizmeti denemek ve daha sonra üretim için ücretli bir katmana yükseltmek için ücretsiz fiyatlandırma katmanını (F0) kullanabilirsiniz.

  İpucu

  Tek bir uç nokta/anahtar altında birden çok Azure AI hizmetine erişmeyi planlıyorsanız bir Azure AI hizmetleri kaynağı oluşturun. Yalnızca Belge Yönetim Bilgileri erişimi için bir Belge Yönetim Bilgileri kaynağı oluşturun. Microsoft Entra kimlik doğrulamasını kullanmak istiyorsanız tek hizmetli bir kaynağa ihtiyacınız olduğunu lütfen unutmayın.

• Kaynağınız dağıtıldıktan sonra Kaynağa git'i seçin. Uygulamanızı Belge Zekası API'sine bağlamak için oluşturduğunuz kaynaktan anahtara ve uç noktaya ihtiyacınız vardır. Anahtarınızı ve uç noktanızı hızlı başlangıcın ilerleyen bölümlerinde koda yapıştırırsınız:

  

Ayarlama

1. Yeni Node.js Express uygulaması oluşturma: Bir konsol penceresinde (cmd, PowerShell veya Bash gibi) uygulamanız için adlı doc-intel-appyeni bir dizin oluşturun ve bu dizine gidin.

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

2. npm init Uygulamayı başlatmak ve projenizin iskelesini yapmak için komutunu çalıştırın.

   npm init
   

3. Terminalde sunulan istemleri kullanarak projenizin özniteliklerini belirtin.

   • En önemli öznitelikler ad, sürüm numarası ve giriş noktasıdır.
   • Giriş noktası adı için saklamanızı index.js öneririz. Açıklama, test komutu, GitHub deposu, anahtar sözcükler, yazar ve lisans bilgileri isteğe bağlı özniteliklerdir; bunlar bu proje için atlanabilir.
   • İade veya Enter'ı seçerek önerileri parantez içinde kabul edin.
   • İstemleri tamamladıktan sonra doc-intel-app dizininizde bir package.json dosya oluşturulur.

4. İstemci kitaplığını ai-form-recognizer ve azure/identity npm paketlerini yükleyin:

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

   • Uygulamanızın package.json dosyası bağımlılıklarla güncelleştirilir.

5. Uygulama dizininde adlı index.js bir dosya oluşturun.

   İpucu

   • PowerShell kullanarak yeni bir dosya oluşturabilirsiniz.
   • Shift tuşunu basılı tutarak ve klasöre sağ tıklayarak proje dizininizde bir PowerShell penceresi açın.
   • Yeni Öğe index.js aşağıdaki komutu yazın.

Uygulamanızı derleme

Belge Yönetim Bilgileri hizmetiyle etkileşim kurmak için sınıfının bir örneğini DocumentAnalysisClient oluşturmanız gerekir. Bunu yapmak için Azure portalından ile key ve ile bir örnek endpointAzureKeyCredential Form Tanıma oluşturursunuzAzureKeyCredential.DocumentAnalysisClient

1. index.js Dosyayı Visual Studio Code'da veya sık kullandığınız IDE'de açın. Aşağıdaki kod örneklerinden birini kopyalayıp uygulamanıza yapıştırın:

   • Düzen

   • Önceden Oluşturulmuş Fatura

Önemli

İşiniz bittiğinde anahtarı kodunuzdan kaldırmayı unutmayın ve asla herkese açık olarak göndermeyin. Üretim için Azure Key Vault gibi kimlik bilgilerinizi depolamanın ve bunlara erişmenin güvenli bir yolunu kullanın. Daha fazla bilgi için bkz . Azure AI hizmetleri güvenliği.

Düzen modeli

Belgelerden metin, seçim işaretleri, metin stilleri, tablo yapıları ve sınırlayıcı bölge koordinatlarını ayıklayın.

• Bu örnekte, URL'den bir belge dosyası gerekir. Bu hızlı başlangıç için örnek belgemizi kullanabilirsiniz.
• Dosyanın üst kısmındaki değişkene formUrl dosya URL'si değerini ekledik.
• Url'den belirli bir dosyayı analiz etmek için yöntemini kullanır beginAnalyzeDocuments ve model kimliği olarak geçirirsiniz prebuilt-layout .

Aşağıdaki kod örneğini dosyaya index.js ekleyin. Anahtar ve uç nokta değişkenlerini Azure portal Belge Zekası örneğinizdeki değerlerle güncelleştirdiğinizden emin olun:

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

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

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

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

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

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

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

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

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

Uygulamanızı çalıştırma

Uygulamanıza kod örneği ekledikten sonra programınızı çalıştırın:

1. Belge Yönetim Bilgileri uygulamanızın (doc-intel-app) bulunduğu klasöre gidin.

2. Terminalinize aşağıdaki komutu yazın:

   node index.js
   

Düzen modeli çıkışı

Beklenen çıkışın kod parçacığı aşağıdadır:

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

Çıkışın tamamını görüntülemek için GitHub'daki Azure örnekleri deposunu ziyaret edin ve düzen modeli çıkışını görüntüleyin.

Önceden oluşturulmuş model

Bu örnekte, önceden oluşturulmuş fatura modelini kullanarak bir faturayı analiz ediyoruz.

İpucu

Faturalarla sınırlı değilsiniz; aralarından seçim yapabileceğiniz birkaç önceden oluşturulmuş model vardır ve bunların her birinin kendi desteklenen alanları vardır. İşlem için analyze kullanılacak model, analiz edilecek belgenin türüne bağlıdır. Bkz. model veri ayıklama.

• Önceden oluşturulmuş fatura modelini kullanarak bir faturayı analiz edin. Bu hızlı başlangıç için örnek fatura belgemizi kullanabilirsiniz.
• Dosyanın üst kısmındaki değişkene invoiceUrl dosya URL'si değerini ekledik.
• Belirli bir dosyayı URI'de analiz etmek için yöntemini kullanacak beginAnalyzeDocuments ve model kimliği olarak geçireceksiniz PrebuiltModels.Invoice . Döndürülen değer, gönderilen belgeyle ilgili verileri içeren bir result nesnedir.
• Kolaylık olması için, hizmetin döndürdüğü tüm anahtar-değer çiftleri burada gösterilmez. Tüm desteklenen alanların ve ilgili türlerin listesini görmek için Fatura kavramı sayfamıza bakın.

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

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

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

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

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

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

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

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

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

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

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

Uygulamanızı çalıştırma

Uygulamanıza kod örneği ekledikten sonra programınızı çalıştırın:

1. Belge Yönetim Bilgileri uygulamanızın (doc-intel-app) bulunduğu klasöre gidin.

2. Terminalinize aşağıdaki komutu yazın:

   node index.js
   

Önceden oluşturulmuş model çıkışı

Beklenen çıkışın kod parçacığı aşağıdadır:

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

Çıkışın tamamını görüntülemek için GitHub'daki Azure örnekleri deposunu ziyaret edin ve önceden oluşturulmuş fatura modeli çıkışını görüntüleyin.

İstemci kitaplığı |SDK başvurusu | REST API başvuru | Paketi (PyPi) | Örnekleri | Desteklenen REST API sürümü

Bu hızlı başlangıçta, form ve belgelerden verileri analiz etmek ve ayıklamak için aşağıdaki özellikleri kullanın:

• Düzen— Model eğitmeye gerek kalmadan radyo düğmeleri, onay kutuları ve anahtar-değer çiftleri gibi tabloları, çizgileri, sözcükleri ve seçim işaretlerini analiz edip ayıklayın.

• Önceden oluşturulmuş Fatura— Önceden eğitilmiş bir model kullanarak belirli belge türlerinde ortak alanları analiz edin ve ayıklayın.

Önkoşullar

• Azure aboneliği - Ücretsiz bir abonelik oluşturun.

• Python 3.7 veya üzeri.

  • Python yüklemeniz pip içermelidir. Pip'in yüklü olup olmadığını denetlemek için komut satırında komutunu çalıştırabilirsiniz pip --version . Python'ın en son sürümünü yükleyerek pip alın.

• Visual Studio Code'un en son sürümü veya tercih ettiğiniz IDE. Daha fazla bilgi için bkz. Visual Studio Code'da Python'ı Kullanmaya Başlama.

• Azure AI hizmetleri veya Belge Zekası kaynağı. Azure aboneliğinizi aldıktan sonra anahtarınızı ve uç noktanızı almak için Azure portalında tek hizmetli veya çok hizmetli bir Belge Zekası kaynağı oluşturun. Hizmeti denemek ve daha sonra üretim için ücretli bir katmana yükseltmek için ücretsiz fiyatlandırma katmanını (F0) kullanabilirsiniz.

İpucu

Tek bir uç nokta/anahtar altında birden çok Azure AI hizmetine erişmeyi planlıyorsanız bir Azure AI hizmetleri kaynağı oluşturun. Yalnızca Belge Yönetim Bilgileri erişimi için bir Belge Yönetim Bilgileri kaynağı oluşturun. Microsoft Entra kimlik doğrulamasını kullanmak istiyorsanız tek hizmetli bir kaynağa ihtiyacınız olduğunu lütfen unutmayın.

• Kaynağınız dağıtıldıktan sonra Kaynağa git'i seçin. Uygulamanızı Belge Zekası API'sine bağlamak için oluşturduğunuz kaynaktan anahtara ve uç noktaya ihtiyacınız vardır. Anahtarınızı ve uç noktanızı hızlı başlangıcın ilerleyen bölümlerinde koda yapıştırırsınız:

  

Ayarlama

Yerel ortamınızda bir terminal penceresi açın ve pip ile Python için Azure AI Document Intelligence istemci kitaplığını yükleyin:

pip install azure-ai-formrecognizer==3.3.0

Python uygulamanızı oluşturma

Belge Yönetim Bilgileri hizmetiyle etkileşim kurmak için sınıfının bir örneğini DocumentAnalysisClient oluşturmanız gerekir. Bunu yapmak için Azure portalından ile key bir ve ve Belge Zekanız endpointile AzureKeyCredential bir DocumentAnalysisClient örnek oluşturursunuzAzureKeyCredential.

1. Tercih ettiğiniz düzenleyicide veya IDE'de form_recognizer_quickstart.py adlı yeni bir Python dosyası oluşturun.

2. form_recognizer_quickstart.py dosyasını açın ve aşağıdaki kod örneklerinden birini seçerek kopyalayıp uygulamanıza yapıştırın:

   • Düzen

   • Önceden Oluşturulmuş Fatura

Önemli

İşiniz bittiğinde anahtarı kodunuzdan kaldırmayı unutmayın ve asla herkese açık olarak göndermeyin. Üretim için Azure Key Vault gibi kimlik bilgilerinizi depolamanın ve bunlara erişmenin güvenli bir yolunu kullanın. Daha fazla bilgi için bkz . Azure AI hizmetleri güvenliği.

Düzen modeli

Belgelerden metin, seçim işaretleri, metin stilleri, tablo yapıları ve sınırlayıcı bölge koordinatlarını ayıklayın.

• Bu örnekte, URL'den bir belge dosyası gerekir. Bu hızlı başlangıç için örnek belgemizi kullanabilirsiniz.
• İşlevdeki değişkene formUrl dosya URL'si değerini ekledik analyze_layout .

Belirli bir dosyayı URL'de analiz etmek için yöntemini kullanacaksınız begin_analyze_document_from_url ve model kimliği olarak geçiş yapacaksınız prebuilt-layout . Döndürülen değer, gönderilen belgeyle ilgili verileri içeren bir result nesnedir.

aşağıdaki kod örneğini form_recognizer_quickstart.py uygulamanıza ekleyin. Anahtar ve uç nokta değişkenlerini Azure portal Form Tanıma örneğinizdeki değerlerle güncelleştirdiğinizden emin olun:

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

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

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

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

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

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

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

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

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

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

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

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

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


if __name__ == "__main__":
    analyze_layout()

Uygulamayı çalıştırma

Uygulamanıza kod örneği ekledikten sonra programınızı derleyip çalıştırın:

1. form_recognizer_quickstart.py dosyanızın bulunduğu klasöre gidin.

2. Terminalinize aşağıdaki komutu yazın:

   python form_recognizer_quickstart.py
   

Düzen modeli çıkışı

Beklenen çıkışın kod parçacığı aşağıdadır:

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

Çıkışın tamamını görüntülemek için GitHub'daki Azure örnekleri deposunu ziyaret edin ve düzen modeli çıkışını görüntüleyin.

---

Önceden oluşturulmuş model

Önceden oluşturulmuş bir model kullanarak belirli belge türlerinden ortak alanları analiz edin ve ayıklayın. Bu örnekte, önceden oluşturulmuş fatura modelini kullanarak bir faturayı analiz ediyoruz.

İpucu

Faturalarla sınırlı değilsiniz; aralarından seçim yapabileceğiniz birkaç önceden oluşturulmuş model vardır ve bunların her birinin kendi desteklenen alanları vardır. İşlem için analyze kullanılacak model, analiz edilecek belgenin türüne bağlıdır. Bkz. model veri ayıklama.

• Önceden oluşturulmuş fatura modelini kullanarak bir faturayı analiz edin. Bu hızlı başlangıç için örnek fatura belgemizi kullanabilirsiniz.
• Dosyanın üst kısmındaki değişkene invoiceUrl dosya URL'si değerini ekledik.
• Kolaylık olması için, hizmetin döndürdüğü tüm anahtar-değer çiftleri burada gösterilmez. Tüm desteklenen alanların ve ilgili türlerin listesini görmek için Fatura kavramı sayfamıza bakın.

Belirli bir dosyayı URI'de analiz etmek için yöntemini kullanacak begin_analyze_document_from_url ve model kimliği olarak geçireceksiniz prebuilt-invoice . Döndürülen değer, gönderilen belgeyle ilgili verileri içeren bir result nesnedir.

aşağıdaki kod örneğini form_recognizer_quickstart.py uygulamanıza ekleyin. Anahtar ve uç nokta değişkenlerini Azure portal Form Tanıma örneğinizdeki değerlerle güncelleştirdiğinizden emin olun:

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

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


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


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


def analyze_invoice():

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

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

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

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

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

if __name__ == "__main__":
    analyze_invoice()

Uygulamayı çalıştırma

Uygulamanıza kod örneği ekledikten sonra programınızı derleyip çalıştırın:

1. form_recognizer_quickstart.py dosyanızın bulunduğu klasöre gidin.

2. Terminalinize aşağıdaki komutu yazın:

   python form_recognizer_quickstart.py
   

Önceden oluşturulmuş model çıkışı

Beklenen çıkışın kod parçacığı aşağıdadır:

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

Çıkışın tamamını görüntülemek için GitHub'daki Azure örnekleri deposunu ziyaret edin ve önceden oluşturulmuş fatura modeli çıkışını görüntüleyin.

| Belge Zekası REST API'sini | destekleyen Azure SDK'ları |

Bu hızlı başlangıçta, belgelerdeki verileri ve değerleri analiz etmek ve ayıklamak için Belge Zekası REST API'sini kullanmayı öğrenin:

Önkoşullar

• Azure aboneliği - Ücretsiz olarak oluşturun

• curl komut satırı aracı yüklendi.

  • Windows
  • Mac veya Linux

• PowerShell sürüm 7.*+ (veya benzer bir komut satırı uygulaması).):

  • Windows
  • macOS
  • Linux

• PowerShell sürümünüzü denetlemek için işletim sisteminize göre aşağıdaki komutu yazın:

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

• Belge Zekası (tek hizmetli) veya Azure AI hizmetleri (çok hizmetli) kaynağı. Azure aboneliğinizi aldıktan sonra anahtarınızı ve uç noktanızı almak için Azure portalında tek hizmetli veya çok hizmetli bir Belge Zekası kaynağı oluşturun. Hizmeti denemek ve daha sonra üretim için ücretli bir katmana yükseltmek için ücretsiz fiyatlandırma katmanını (F0) kullanabilirsiniz.

İpucu

Tek bir uç nokta/anahtar altında birden çok Azure AI hizmetine erişmeyi planlıyorsanız bir Azure AI hizmetleri kaynağı oluşturun. Yalnızca Belge Yönetim Bilgileri erişimi için bir Belge Yönetim Bilgileri kaynağı oluşturun. Microsoft Entra kimlik doğrulamasını kullanmak istiyorsanız tek hizmetli bir kaynağa ihtiyacınız olduğunu lütfen unutmayın.

• Kaynağınız dağıtıldıktan sonra Kaynağa git'i seçin. Uygulamanızı Belge Zekası API'sine bağlamak için oluşturduğunuz kaynaktan anahtara ve uç noktaya ihtiyacınız vardır. Anahtarınızı ve uç noktanızı hızlı başlangıcın ilerleyen bölümlerinde koda yapıştırırsınız:

  

Belgeleri analiz etme ve sonuç alma

POST isteği, belgeleri önceden oluşturulmuş veya özel bir modelle analiz etmek için kullanılır. Get isteği, belge çözümleme çağrısının sonucunu almak için kullanılır. , modelId POST ve resultId GET işlemleriyle birlikte kullanılır.

Belgeyi analiz etme (POST İsteği)

cURL komutunu çalıştırmadan önce, istek sonrası için aşağıdaki değişiklikleri yapın:

1. değerini Azure portal Belge Zekası örneğinizdeki uç nokta değeriyle değiştirin {endpoint} .

2. değerini Azure portal Belge Zekası örneğinizdeki anahtar değeriyle değiştirin {key} .

3. Başvuru olarak aşağıdaki tabloyu kullanarak ve {your-document-url} değerlerini istediğiniz değerlerle değiştirin{modelID}.

4. URL'de bir belge dosyası gerekir. Bu hızlı başlangıç için, her özellik için aşağıdaki tabloda sağlanan örnek formları kullanabilirsiniz:

Örnek belgeler

Özellik	{modelID}	{your-document-url}
Genel Belge	önceden oluşturulmuş belge	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-layout.pdf
Okuma	önceden oluşturulmuş okuma	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/read.png
Düzen	önceden oluşturulmuş düzen	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/layout.png
Sağlık sigortası kartı	prebuilt-healthInsuranceCard.us	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/insurance-card.png
W-2	prebuilt-tax.us.w2	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png
Fatura	önceden oluşturulmuş fatura	https://github.com/Azure-Samples/cognitive-services-REST-api-samples/raw/master/curl/form-recognizer/rest-api/invoice.pdf
Makbuz	önceden oluşturulmuş makbuz	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/receipt.png
Kimlik belgesi	prebuilt-idDocument	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png
Kartvizit	önceden oluşturulmuş businessCard	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/de5e0d8982ab754823c54de47a47e8e499351523/curl/form-recognizer/rest-api/business_card.jpg

Önemli

İşiniz bittiğinde anahtarı kodunuzdan kaldırmayı unutmayın ve asla herkese açık olarak göndermeyin. Üretim için Azure Key Vault gibi kimlik bilgilerinizi depolamanın ve bunlara erişmenin güvenli bir yolunu kullanın. Daha fazla bilgi için bkz . Azure AI hizmetleri güvenliği.

POST isteği

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

POST yanıtı (resultID)

Salt okunur operation-location 202 (Success) üst bilgisi içeren bir yanıt alırsınız. Bu üst bilginin değeri, zaman uyumsuz işlemin durumunu almak ve aynı kaynak abonelik anahtarınızla bir GET isteği kullanarak sonuçları almak için sorgulanabilen bir içerir resultID :

Sonuçları analiz etme (GET İsteği)

API'yi Analyze document çağırdıktan sonra, işlemin ve ayıklanan verilerin durumunu almak için Çözümle sonuç API'sini çağırın. Komutu çalıştırmadan önce şu değişiklikleri yapın:

1. POST yanıtından Operation-Location üst bilgisini değiştirin{resultID}.

2. değerini Azure portalındaki Belge Zekası örneğinizdeki anahtar değeriyle değiştirin {key} .

GET isteği

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

Yanıtı inceleme

JSON çıkışıyla bir 200 (Success) yanıt alırsınız. İlk alan olan "status", işlemin durumunu gösterir. İşlem tamamlanmazsa veya "notStarted"değeridir "status" "running" ve API'yi el ile veya bir betik aracılığıyla yeniden çağırmalısınız. Aramalar arasında bir saniyelik veya daha fazla bir aralık öneririz.

Önceden oluşturulmuş fatura için örnek yanıt

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

Desteklenen belge alanları

Önceden oluşturulmuş modeller, önceden tanımlanmış belge alanı kümelerini ayıklar. Ayıklanan alan adları, türleri, açıklamaları ve örnekler için bkz . Model veri ayıklama .

İşte bu kadar, tebrikler!

Bu hızlı başlangıçta, çeşitli formları ve belgeleri analiz etmek için bir belge Yönetim Bilgileri modeli kullandınız. Ardından, Belge Zekası API'sini ayrıntılı olarak öğrenmek için Document Intelligence Studio'yu inceleyin ve belgelere başvurun.

Sonraki adımlar

• Gelişmiş bir deneyim ve gelişmiş model kalitesi için Document Intelligence Studio'yu deneyin

• v3.1 ile v4.0 arasında geçiş için bkz . Changelog Geçişi kılavuzları.

• GitHub'da daha fazla örnek bulun.