OCR: Extrakce textu
Na této stránce
Čtení textu v obrazech
OCR (optické rozpoznávání znaků) je jedním z nejmocnějších případů využití pro Grok Vision. Na rozdíl od tradičních nástrojů, které pouze extrahují znaky, Grok chápe kontext textu v obrázku, jeho rozložení i význam.
Klasické OCR vs. multimodální OCR
Tradiční nástroje OCR (Tesseract, Google Vision OCR, AWS Textract) vynikají v surové extrakci znaků. Grok přidává další rozměr: chápe, co text znamená v kontextu celého obrázku.
Například při zpracování naskenované faktury klasický nástroj OCR extrahuje všechny znaky. Grok navíc dokáže:
- Identifikovat pole (číslo faktury, datum, celková částka)
- Strukturovat data do použitelného formátu
- Opravit chyby OCR pomocí kontextu
- Interpretovat tabulky a složité layouty
Základní extrakce
Pro jednoduchou extrakci viditelného textu:
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
)
Parametr detail: "high" je pro OCR zásadní. V režimu low může model přehlédnout jemný text nebo špatně přečíst určité znaky.
Strukturovaná extrakce dokumentů
U profesionálních dokumentů požádej o strukturovanou extrakci:
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
Extrakce z vizitek
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
Zpracování snímků obrazovky
Snímky obrazovky jsou vynikajícím případem využití, protože často obsahují text ve složitých rozloženích (nabídky, postranní panely, vyskakovací okna):
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
Dávkové zpracování dokumentů
Pro zpracování velkého objemu dokumentů zkombinuj Grok OCR se zpracovatelským pipeline:
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
Omezení Grok OCR
- Ručně psaný text: rozpoznávání funguje dobře u čitelného písma, ale může selhat u kurzívy nebo nečitelného rukopisu
- Jazyky nepoužívající latinku: přesnost se liší podle jazyka a použitého písma
- Nízká kvalita obrázků: skeny s nízkým rozlišením nebo rozmazané fotky zhoršují výsledky
- Velmi malý text: i v režimu
highmůže být text menší než 8 pixelů na výšku špatně přečten
Klíčové poznatky
- Pro úlohy OCR vždy používej
detail: "high" - Požaduj strukturovanou extrakci (JSON), abys data mohl automaticky využít
- Grok jde nad rámec surového OCR: chápe kontext i rozložení
- U citlivých dokumentů (faktury, vizitky) používej
store: false - Validuj a předzpracovávej obrázky, abys maximalizoval kvalitu extrakce