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:v4.0 (önizleme)Önceki sürümler:v3.1 (GA)v3.0 (GA) için geçerlidir

• Azure AI Document Intelligence en son önizleme sürümünü (2024-02-29-preview) 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 başvurusu | REST API başvurusu | Paket| 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 Belge Zekası 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 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. Visual Studio’yu çalıştırın.

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 girindoc_intel_quickstart. Ardından İleri'yi seçin.

5. Ek bilgiler iletişim kutusunda .NET 6.0 (uzun süreli destek) öğesini ve ardından Oluştur'u seçin.

   

NuGet ile istemci kitaplığını yükleme

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

   

2. Gözat sekmesini seçin ve Azure.AI.DocumentIntelligence yazın. Include prerelease Onay kutusunu seçin ve açılan menüden sürüm 1.0.0-beta.1'i seçin

   

Uygulamanızı derleme

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

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 Belge Zekası örneğinizdeki değerlerle güncelleştirdiğinizden emin olun:

using Azure;
using Azure.AI.DocumentIntelligence;

//set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal to create your `AzureKeyCredential` and `DocumentIntelligenceClient` instance
string endpoint = "<your-endpoint>";
string key = "<your-key>";
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/sample-layout.pdf");

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)," +
        $" and {page.SelectionMarks.Count} selection mark(s).");

    for (int i = 0; i < page.Lines.Count; i++)
    {
        DocumentLine line = page.Lines[i];

        Console.WriteLine($"  Line {i}:");
        Console.WriteLine($"    Content: '{line.Content}'");

        Console.Write("    Bounding polygon, with points ordered clockwise:");
        for (int j = 0; j < line.Polygon.Count; j += 2)
        {
            Console.Write($" ({line.Polygon[j]}, {line.Polygon[j + 1]})");
        }

        Console.WriteLine();
    }

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

        Console.WriteLine($"  Selection Mark {i} is {selectionMark.State}.");
        Console.WriteLine($"    State: {selectionMark.State}");

        Console.Write("    Bounding polygon, with points ordered clockwise:");
        for (int j = 0; j < selectionMark.Polygon.Count; j++)
        {
            Console.Write($" ({selectionMark.Polygon[j]}, {selectionMark.Polygon[j + 1]})");
        }

        Console.WriteLine();
    }
}

for (int i = 0; i < result.Paragraphs.Count; i++)
{
    DocumentParagraph paragraph = result.Paragraphs[i];

    Console.WriteLine($"Paragraph {i}:");
    Console.WriteLine($"  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)
        {
            var handwrittenContent = result.Content.Substring(span.Offset, span.Length);
            Console.WriteLine($"  {handwrittenContent}");
        }
    }
}

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}) is a '{cell.Kind}' with 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.

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 Belge Zekası örneğinizdeki değerlerle güncelleştirdiğinizden emin olun:

using Azure;
using Azure.AI.DocumentIntelligence;

//set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal to create your `AzureKeyCredential` and `DocumentIntelligenceClient` instance
string endpoint = "<your-endpoint>";
string key = "<your-key>";
AzureKeyCredential credential = new AzureKeyCredential(key);
DocumentIntelligenceClient client = new DocumentIntelligenceClient(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<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)
        && vendorNameField.Type == DocumentFieldType.String)
    {
        string vendorName = vendorNameField.ValueString;
        Console.WriteLine($"Vendor Name: '{vendorName}', with confidence {vendorNameField.Confidence}");
    }

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

    if (document.Fields.TryGetValue("Items", out DocumentField itemsField)
        && itemsField.Type == DocumentFieldType.Array)
    {
        foreach (DocumentField itemField in itemsField.ValueArray)
        {
            Console.WriteLine("Item:");

            if (itemField.Type == DocumentFieldType.Object)
            {
                IReadOnlyDictionary<string, DocumentField> itemFields = itemField.ValueObject;

                if (itemFields.TryGetValue("Description", out DocumentField itemDescriptionField)
                    && itemDescriptionField.Type == DocumentFieldType.String)
                {
                    string itemDescription = itemDescriptionField.ValueString;
                    Console.WriteLine($"  Description: '{itemDescription}', with confidence {itemDescriptionField.Confidence}");
                }

                if (itemFields.TryGetValue("Amount", out DocumentField itemAmountField)
                    && itemAmountField.Type == DocumentFieldType.Currency)
                {
                    CurrencyValue itemAmount = itemAmountField.ValueCurrency;
                    Console.WriteLine($"  Amount: '{itemAmount.CurrencySymbol}{itemAmount.Amount}', with confidence {itemAmountField.Confidence}");
                }
            }
        }
    }

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

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

    if (document.Fields.TryGetValue("InvoiceTotal", out DocumentField invoiceTotalField)
        && invoiceTotalField.Type == DocumentFieldType.Currency)
    {
        CurrencyValue invoiceTotal = invoiceTotalField.ValueCurrency;
        Console.WriteLine($"Invoice Total: '{invoiceTotal.CurrencySymbol}{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.

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 doc-intel-app adlı yeni bir dizin oluşturun ve bu dizine gidin.

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

   mkdir doc-intel-app; cd doc-intel-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 (doc-intel-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("DocIntelligence")
   }
   repositories {
       mavenCentral()
   }
   dependencies {
       implementation group: 'com.azure', name: 'azure-ai-documentintelligence', version: '1.0.0-beta.2'

   }

Java uygulaması oluşturma

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

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

   mkdir -p src/main/java
   

   Aşağıdaki dizin yapısını oluşturursunuz:

   

2. dizinine java gidin ve adlı DocIntelligence.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 DocIntelligence.java aşağıdaki komutu yazın.

3. DocIntelligence.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 DocIntelligence.java ekleyin. Anahtar ve uç nokta değişkenlerini Azure portal Belge Zekası örneğinizdeki değerlerle güncelleştirdiğinizden emin olun:

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

import java.util.List;

public class DocIntelligence {

  // 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
    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/sample-layout.pdf";
    String modelId = "prebuilt-layout";

    SyncPoller <AnalyzeResultOperation, AnalyzeResultOperation> analyzeLayoutResultPoller =
      client.beginAnalyzeDocument(modelId, documentUrl);

    AnalyzeResult analyzeLayoutResult = analyzeLayoutPoller.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()));

      // 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.getPolygon(),
          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();
    }

    // styles
    analyzeLayoutResult.getStyles().forEach(documentStyle -
      > System.out.printf("Document is handwritten %s.%n", documentStyle.isHandwritten()));
  }
}

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

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 DocIntelligence.java ekleyin. Anahtar ve uç nokta değişkenlerini Azure portal Belge Zekası örneğinizdeki değerlerle güncelleştirdiğinizden emin olun:

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 {

  // 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
    DocumentIntelligenceClient client = new DocumentIntelligenceClientBuilder()
      .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";

    public static void main(final String[] args) throws IOException {
      // Instantiate a client that will be used to call the service.
      DocumentIntelligenceClient client = new DocumentIntelligenceClientBuilder()
        .credential(new AzureKeyCredential("{key}"))
        .endpoint("https://{endpoint}.cognitiveservices.azure.com/")
        .buildClient();

      SyncPoller < OperationResult, AnalyzeResult > analyzeLayoutResultPoller =
        client.beginAnalyzeDocument(modelId, invoiceUrl);

      AnalyzeResult analyzeInvoiceResult = analyzeInvoicesPoller.getFinalResult().getAnalyzeResult();

      for (int i = 0; i < analyzeInvoiceResult.getDocuments().size(); i++) {
        Document 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.getValueString();
            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.getValueString();
            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.getValueString();
            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.getValueString();
            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.getValueString();
            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.getValueDate();
            System.out.printf("Invoice Date: %s, confidence: %.2f%n",
              invoiceDate, invoiceDateField.getConfidence());
          }
        }

        DocumentField invoiceTotalField = invoiceFields.get("InvoiceTotal");
        if (customerAddressRecipientField != null) {
          if (DocumentFieldType.NUMBER == invoiceTotalField.getType()) {
            Double invoiceTotal = invoiceTotalField.getValueNumber();
            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.ARRAY == invoiceItemsField.getType()) {
            List < DocumentField > invoiceItems = invoiceItemsField.getValueArray();
            invoiceItems.stream()
              .filter(invoiceItem -> DocumentFieldType.OBJECT == invoiceItem.getType())
              .map(documentField -> documentField.getValueObject())
              .forEach(documentFieldMap -> documentFieldMap.forEach((key, documentField) -> {

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

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

İstemci kitaplığı | 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-document-intelligence ve azure/identity npm paketlerini yükleyin:

   npm i @azure-rest/ai-document-intelligence@1.0.0-beta.2 @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 DocumentIntelligenceClient oluşturmanız gerekir. Bunu yapmak için Azure portalından ile key bir ve ve Belge Zekanız endpointile AzureKeyCredential bir DocumentIntelligenceClient örnek oluşturursunuzAzureKeyCredential.

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 .

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

    // 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 = DocumentIntelligenceClient(endpoint, new AzureKeyCredential(key));

    const poller = await client.beginAnalyzeDocument("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
   

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

    // 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 = DocumentIntelligenceClient(endpoint, new AzureKeyCredential(key));

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

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-documentintelligence==1.0.0b2

Python uygulamanızı oluşturma

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

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

2. doc_intel_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 doc_intel_quickstart.py uygulamanıza ekleyin. Anahtar ve uç nokta değişkenlerini Azure portal Belge Zekası örneğinizdeki değerlerle güncelleştirdiğinizden emin olun:

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

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

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

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

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

    analyze_request = 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()

Uygulamayı çalıştırma

Uygulamanıza kod örneği ekledikten sonra programınızı derleyip çalıştırın:

1. doc_intel_quickstart.py dosyanızın bulunduğu klasöre gidin.

2. Terminalinize aşağıdaki komutu yazın:

   python doc_intel_quickstart.py
   

---

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 begin_analyze_document_from_url ve model kimliği olarak geçireceksiniz prebuilt-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 doc_intel_quickstart.py uygulamanıza ekleyin. Anahtar ve uç nokta değişkenlerini Azure portal Belge Zekası örneğinizdeki değerlerle güncelleştirdiğinizden emin olun:

# import libraries
import os
from azure.core.credentials import AzureKeyCredential
from azure.ai.documentintelligence import DocumentIntelligenceClient


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

def analyze_invoice():
    # sample document

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

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

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

    if invoices.documents:
        for idx, invoice in enumerate(invoices.documents):
            print(f"--------Analyzing invoice #{idx + 1}--------")
            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 customer_id:
                print(
                    f"Customer Id: {customer_id.get('content')} has confidence: {customer_id.get('confidence')}"
                )
            customer_address = invoice.fields.get("CustomerAddress")
            if customer_address:
                print(
                    f"Customer Address: {customer_address.get('content')} has confidence: {customer_address.get('confidence')}"
                )
            customer_address_recipient = invoice.fields.get("CustomerAddressRecipient")
            if customer_address_recipient:
                print(
                    f"Customer Address Recipient: {customer_address_recipient.get('content')} has confidence: {customer_address_recipient.get('confidence')}"
                )
            invoice_id = invoice.fields.get("InvoiceId")
            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:")
            for idx, item in enumerate(invoice.fields.get("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()

Uygulamayı çalıştırma

Uygulamanıza kod örneği ekledikten sonra programınızı derleyip çalıştırın:

1. doc_intel_quickstart.py dosyanızın bulunduğu klasöre gidin.

2. Terminalinize aşağıdaki komutu yazın:

   python doc_intel_quickstart.py
   

| 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}
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

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}/documentintelligence/documentModels/{modelId}:analyze?api-version=2024-02-29-preview" -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}/documentintelligence/documentModels/{modelId}/analyzeResults/{resultId}?api-version=2024-02-29-preview" -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": "2024-03-25T19:31:37Z",
    "lastUpdatedDateTime": "2024-03-25T19:31:43Z",
    "analyzeResult": {
        "apiVersion": "2024-02-29-preview",
        "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.