OCR: teksti eraldamine
Sellel lehel
Teksti lugemine piltidelt
OCR (optiline märgituvastus) on üks Grok Visioni võimsamaid kasutusviise. Erinevalt traditsioonilistest tööriistadest, mis eraldavad vaid tähemärke, mõistab Grok pildil oleva teksti konteksti, paigutust ja tähendust.
Klassikaline OCR vs multimodaalne OCR
Traditsioonilised OCR-tööriistad (Tesseract, Google Vision OCR, AWS Textract) on suurepärased toorteksti eraldamisel. Grok lisab uue mõõtme: ta mõistab, mida tekst pildi kontekstis tähendab.
Näiteks skannitud arve töötlemisel eraldab klassikaline OCR-tööriist kõik tähemärgid. Grok suudab lisaks:
- tuvastada välju (arve number, kuupäev, lõppsumma);
- struktureerida andmed kasutatavas vormingus;
- parandada OCR-vigu konteksti abil;
- tõlgendada tabeleid ja keerukaid paigutusi.
Lihtne eraldamine
Nähtava teksti lihtsaks eraldamiseks:
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
)
Parameeter detail: "high" on OCR-i jaoks hädavajalik. Režiimis low võib mudel peenest tekstist mööda vaadata või mõnda tähemärki valesti lugeda.
Struktureeritud dokumendi eraldamine
Professionaalsete dokumentide puhul taotle struktureeritud eraldamist:
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
Visiitkaardi eraldamine
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
Ekraanitõmmise töötlemine
Ekraanitõmmised on suurepärane kasutusjuhtum, kuna need sisaldavad sageli teksti keerukates paigutustes (menüüd, külgribad, hüpikaknad):
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
Dokumentide partii töötlemine
Suure dokumendimahu töötlemiseks ühenda Grok OCR töötlemistorustikuga:
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
Grok OCR-i piirangud
- Käsitsi kirjutatud tekst: tuvastus toimib hästi loetava kirjaga, kuid võib ebaõnnestuda kursiivse või loetamatu käekirja puhul.
- Mitte-ladina keeled: täpsus varieerub sõltuvalt keelest ja kasutatud fondist.
- Madala kvaliteediga pildid: madala eraldusvõimega skannid või udused fotod halvendavad tulemusi.
- Väga väike tekst: isegi režiimis
highvõib alla 8 piksli kõrgune tekst olla valesti loetud.
Peamised punktid
- Kasuta OCR-ülesannete puhul alati parameetrit
detail: "high". - Taotle struktureeritud eraldamist (JSON), et andmeid automaatselt kasutada.
- Grok läheb kaugemale toorest OCR-ist: ta mõistab konteksti ja paigutust.
- Kasuta tundlike dokumentide (arved, visiitkaardid) puhul väärtust
store: false. - Valideeri ja töötle pilte eeltöötlusega, et maksimeerida eraldamise kvaliteeti.