OCR: Извличане на текст
На тази страница
Четене на текст в изображения
OCR (Оптично разпознаване на знаци) е един от най-мощните случаи на употреба за Grok Vision. За разлика от традиционните инструменти, които извличат само символи, Grok разбира контекста на текста в изображението, неговата структура и смисъл.
Класически OCR срещу Мултимодален OCR
Традиционните OCR инструменти (Tesseract, Google Vision OCR, AWS Textract) се справят отлично със суровото извличане на символи. Grok добавя допълнително измерение: той разбира какво означава текстът в контекста на изображението.
Например, при обработката на сканирана фактура, класическият OCR инструмент извлича всички символи. Grok може също да:
- Идентифицира полета (номер на фактура, дата, обща сума)
- Структурира данните в използваем формат
- Коригира грешки от OCR, използвайки контекста
- Интерпретира таблици и сложни оформления
Основно извличане
За просто извличане на видимия текст:
response = client.responses.create(
model="grok-4.5",
input=[
{
"type": "input_image",
"image_url": url_document,
"detail": "high" # Essential for OCR
},
{
"type": "input_text",
"text": "Extract all visible text in this image. Preserve the layout as much as possible."
}
],
store=False
)
Параметърът detail: "high" е от съществено значение за OCR. В режим low моделът може да пропусне фин текст или да прочете неправилно определени символи.
Структурирано извличане на документи
За професионални документи поискайте структурирано извличане:
def extraire_facture(image_url):
prompt = """This image is an invoice. Extract the following
information in JSON:
- "invoice_number": the invoice number
- "date": the issue date
- "issuer": name and address of the issuer
- "recipient": name and address of the recipient
- "lines": table with columns [description, quantity, unit_price, total]
- "subtotal": amount excluding tax
- "vat": VAT amount
- "total_incl_tax": amount including tax
If a field is not visible, indicate null."""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Извличане на данни от визитка
def extraire_carte_visite(image_url):
prompt = """Extract the information from this business card in JSON:
- "name": full name
- "title": job title/position
- "company": company name
- "email": email address
- "phone": phone number(s)
- "address": postal address
- "website": website URL
- "social_media": links to social media profiles"""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Обработка на екранни снимки
Екранните снимки са отличен случай на употреба, тъй като често съдържат текст в сложни оформления (менюта, странични ленти, изскачащи прозорци):
def analyser_screenshot(image_url):
prompt = """Analyze this screenshot and identify:
1. The application or website displayed
2. The visible page or section
3. The main interface elements (buttons, menus, forms)
4. Any important text displayed
5. Any error messages or notifications"""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Пакетна обработка на документи
За обработка на голям обем документи комбинирайте Grok OCR с конвейер за обработка:
import json
async def pipeline_ocr(documents):
resultats = []
for doc in documents:
# 1. Validate the image
if not valider_image(doc["chemin"]):
resultats.append({"fichier": doc["chemin"], "erreur": "Invalid image"})
continue
# 2. Encode to base64
image_url = encoder_base64(doc["chemin"])
# 3. Extract with Grok
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": doc["prompt"]}
],
store=False
)
# 4. Parse the result
try:
data = json.loads(response.output_text)
resultats.append({"fichier": doc["chemin"], "data": data})
except json.JSONDecodeError:
resultats.append({"fichier": doc["chemin"], "texte_brut": response.output_text})
return resultats
Ограничения на Grok OCR
- Ръкописен текст: разпознаването работи добре за четлив почерк, но може да се провали при курсив или нечетлив ръкопис
- Езици без латиница: точността варира в зависимост от езика и използвания шрифт
- Изображения с ниско качество: сканирания с ниска разделителна способност или замъглени снимки влошават резултатите
- Много малък текст: дори в режим
high, текст с височина по-малка от 8 пиксела може да бъде прочетен грешно
Ключови изводи
- Винаги използвайте
detail: "high"за задачи с OCR - Искайте структурирано извличане (JSON), за да използвате данните автоматично
- Grok надхвърля суровия OCR: той разбира контекста и оформлението
- Използвайте
store: falseза чувствителни документи (фактури, визитки) - Валидирайте и предварително обработвайте изображенията, за да максимизирате качеството на извличане