OCR: Textextraktion
Auf dieser Seite
Text in Bildern lesen
Die optische Zeichenerkennung (OCR) gehört zu den leistungsfähigsten Anwendungsfällen für Grok Vision. Im Gegensatz zu herkömmlichen Werkzeugen, die lediglich Zeichen extrahieren, versteht Grok den Kontext des Textes im Bild, dessen Layout und seine Bedeutung.
Klassische OCR vs. Multimodale OCR
Klassische OCR-Tools (Tesseract, Google Vision OCR, AWS Textract) excellieren bei der Rohextraktion von Zeichen. Grok fügt eine zusätzliche Dimension hinzu: Es versteht, was der Text im Kontext des Bildes bedeutet.
Beispielweise extrahiert ein klassisches OCR-Tool bei der Verarbeitung einer gescannten Rechnung alle Zeichen. Grok kann zusätzlich:
- Felder identifizieren (Rechnungsnummer, Datum, Gesamtbetrag)
- Daten in einem verwertbaren Format strukturieren
- OCR-Fehler mithilfe des Kontexts korrigieren
- Tabellen und komplexe Layouts interpretieren
Grundlegende Extraktion
Für die einfache Extraktion von sichtbarem Text:
response = client.responses.create(
model="grok-4.5",
input=[
{
"type": "input_image",
"image_url": url_document,
"detail": "high" # Wesentlich für OCR
},
{
"type": "input_text",
"text": "Extrahieren Sie alle sichtbaren Texte in diesem Bild. Bewahren Sie das Layout so weit wie möglich bei."
}
],
store=False
)
Der Parameter detail: "high" ist für OCR unerlässlich. Im low-Modus kann das Modell feinen Text übersehen oder bestimmte Zeichen falsch lesen.
Strukturierte Dokumentenextraktion
Für professionelle Dokumente bitten Sie um strukturierte Extraktion:
def extraire_facture(image_url):
prompt = """Dieses Bild ist eine Rechnung. Extrahieren Sie die folgenden
Informationen in JSON:
- "invoice_number": die Rechnungsnummer
- "date": das Ausstellungsdatum
- "issuer": Name und Adresse des Ausstellers
- "recipient": Name und Adresse des Empfängers
- "lines": Tabelle mit Spalten [Beschreibung, Menge, Einheitspreis, Gesamtsumme]
- "subtotal": Betrag ohne MwSt.
- "vat": MwSt.-Betrag
- "total_incl_tax": Betrag inkl. MwSt.
Wenn ein Feld nicht sichtbar ist, geben Sie null an."""
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
Visitenkartenextraktion
def extraire_carte_visite(image_url):
prompt = """Extrahieren Sie die Informationen aus dieser Visitenkarte in JSON:
- "name": vollständiger Name
- "title": Berufsbezeichnung/Stelle
- "company": Firmenname
- "email": E-Mail-Adresse
- "phone": Telefonnummer(n)
- "address": Postanschrift
- "website": Web-URL
- "social_media": Links zu Social-Media-Profilen"""
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
Screenshot-Verarbeitung
Screenshots sind ein hervorragender Anwendungsfall, da sie oft Text in komplexen Layouts enthalten (Menüs, Seitenleisten, Pop-ups):
def analyser_screenshot(image_url):
prompt = """Analysieren Sie diesen Screenshot und identifizieren Sie:
1. Die angezeigte Anwendung oder Website
2. Die sichtbare Seite oder den Abschnitt
3. Die Hauptinterface-Elemente (Schaltflächen, Menüs, Formulare)
4. Jeglichen wichtigen angezeigten Text
5. Jegliche Fehlermeldungen oder Benachrichtigungen"""
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
Batch-Dokumentenverarbeitung
Um eine große Anzahl von Dokumenten zu verarbeiten, kombinieren Sie Grok OCR mit einer Verarbeitungspipeline:
import json
async def pipeline_ocr(documents):
resultats = []
for doc in documents:
# 1. Validieren Sie das Bild
if not valider_image(doc["chemin"]):
resultats.append({"fichier": doc["chemin"], "erreur": "Invalid image"})
continue
# 2. Kodieren Sie in Base64
image_url = encoder_base64(doc["chemin"])
# 3. Extrahieren Sie mit 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. Analysieren Sie das Ergebnis
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
Grenzen von Grok OCR
- Handschriftliche Texte: Die Erkennung funktioniert gut für lesbare Schriften, kann aber bei Kursivschrift oder unleserlicher Handschrift versagen.
- Nicht-lateinische Sprachen: Die Genauigkeit variiert je nach Sprache und verwendetem Schriftart.
- Bilder niedriger Qualität: Gescannte Bilder mit niedriger Auflösung oder unscharfe Fotos verschlechtern die Ergebnisse.
- Sehr kleiner Text: Selbst im
high-Modus kann Text mit einer Höhe von weniger als 8 Pixeln falsch gelesen werden.
Kernaussagen
- Verwenden Sie für OCR-Aufgaben immer
detail: "high". - Fordern Sie strukturierte Extraktion (JSON) an, um Daten automatisch zu nutzen.
- Grok geht über reine OCR hinaus: Es versteht Kontext und Layout.
- Verwenden Sie
store: falsefür sensible Dokumente (Rechnungen, Visitenkarten). - Validieren und vorverarbeiten Sie Bilder, um die Extraktionsqualität zu maximieren.