OCR: Εξαγωγή Κειμένου
Σε αυτήν τη σελίδα
Ανάγνωση Κειμένου σε Εικόνες
Η OCR (Οπτική Αναγνώριση Χαρακτήρων) αποτελεί μία από τις πιο ισχυρές περιπτώσεις χρήσης για το Grok Vision. Σε αντίθεση με τα παραδοσιακά εργαλεία που εξάγουν απλώς χαρακτήρες, το Grok κατανοεί το πλαίσιο του κειμένου στην εικόνα, τη διάταξή του και το νόημά του.
Κλασική OCR vs Πολυτροπική OCR
Τα παραδοσιακά εργαλεία OCR (Tesseract, Google Vision OCR, AWS Textract) διαπρέπουν στην εξαγωγή ακατέργαστων χαρακτήρων. Το Grok προσθέτει μια επιπλέον διάσταση: κατανοεί τι σημαίνει το κείμενο μέσα στο πλαίσιο της εικόνας.
Για παράδειγμα, κατά την επεξεργασία μιας σαρωμένης τιμολόγησης, ένα κλασικό εργαλείο OCR εξάγει όλους τους χαρακτήρες. Το Grok μπορεί επίσης να:
- Εντοπίσει πεδία (αριθμός τιμολογίου, ημερομηνία, συνολικό ποσό)
- Δομήσει τα δεδομένα σε μια usable μορφή
- Διορθώσει σφάλματα OCR χρησιμοποιώντας το πλαίσιο
- Ερμηνεύσει πίνακες και σύνθετες διατάξεις
Βασική Εξαγωγή
Για απλή εξαγωγή ορατού κειμένου:
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
)
Η παράμετρος detail: "high" είναι απαραίτητη για την OCR. Στη λειτουργία low, το μοντέλο ενδέχεται να χάσει λεπτομερές κείμενο ή να παρερμηνεύσει ορισμένους χαρακτήρες.
Δομημένη Εξαγωγή Εγγράφων
Για επαγγελματικά έγγραφα, ζητήστε δομημένη εξαγωγή:
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
Εξαγωγή Επαγγελματικής Κάρτας
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
Επεξεργασία Στιγμιότυπων Οθόνης
Τα στιγμιότυπα οθόνης αποτελούν εξαιρετική περίπτωση χρήσης, καθώς συχνά περιέχουν κείμενο σε σύνθετες διατάξεις (μενού, πλευρικές στήλες, αναδυόμενα παράθυρα):
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
Επεξεργασία Παρτίδας Εγγράφων
Για την επεξεργασία μεγάλου όγκου εγγράφων, συνδυάστε το Grok OCR με μια ροή επεξεργασίας:
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
Περιορισμοί του Grok OCR
- Χειρόγραφο κείμενο: η αναγνώριση λειτουργεί καλά για ευανάγνωστη γραφή, αλλά μπορεί να αποτύχει σε καλλιγραφικό ή δυσανάγνωστο χειρόγραφο
- Γλώσσες μη λατινικού αλφαβήτου: η ακρίβεια ποικίλλει ανάλογα με τη γλώσσα και τη γραμματοσειρά που χρησιμοποιείται
- Εικόνες χαμηλής ποιότητας: οι σαρώσεις χαμηλής ανάλυσης ή οι θολές φωτογραφίες υποβαθμίζουν τα αποτελέσματα
- Πολύ μικρό κείμενο: ακόμη και στη λειτουργία
high, κείμενο με ύψος μικρότερο από 8 εικονοστοιχεία ενδέχεται να παρερμηνευθεί
Βασικά σημεία
- Χρησιμοποιείτε πάντα το
detail: "high"για εργασίες OCR - Ζητήστε δομημένη εξαγωγή (JSON) για την αυτόματη χρήση των δεδομένων
- Το Grok πηγαίνει πέρα από την απλή OCR: κατανοεί το πλαίσιο και τη διάταξη
- Χρησιμοποιήστε
store: falseγια ευαίσθητα έγγραφα (τιμολογήσεις, επαγγελματικές κάρτες) - Επικυρώστε και προεπεξεργαστείτε τις εικόνες για να μεγιστοποιήσετε την ποιότητα της εξαγωγής