OCR: Tekstin poiminta
Tällä sivulla
Tekstin lukeminen kuvista
OCR (Optical Character Recognition, optinen merkkien tunnistus) on yksi Grok Visionin tehokkaimmista käyttötapauksista. Toisin kuin perinteiset työkalut, jotka vain poimivat merkkejä, Grok ymmärtää kuvan tekstin kontekstin, asettelun ja merkityksen.
Perinteinen OCR vs. multimodaalinen OCR
Perinteiset OCR-työkalut (kuten Tesseract, Google Vision OCR ja AWS Textract) ovat erinomaisia raakamerkkien poiminnassa. Grok lisää tähän uuden ulottuvuuden: se ymmärtää, mitä teksti tarkoittaa kuvan kontekstissa.
Kun käsittelet esimerkiksi skannattua laskua, perinteinen OCR-työkalu poimii kaikki merkit. Grok pystyy myös:
- Tunnistamaan kentät (laskun numero, päivämäärä, loppusumma)
- Jäsentelemään tiedot käyttökelpoiseen muotoon
- Korjaamaan OCR-virheitä kontekstin perusteella
- Tulkitsemaan taulukoita ja monimutkaisia asetteluja
Peruspoiminta
Kun haluat poimia näkyvän tekstin yksinkertaisesti:
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
)
Parametri detail: "high" on välttämätön OCR-tehtäville. low-tilassa malli saattaa ohittaa hienoa tekstiä tai lukea tietyt merkit väärin.
Jäsennelty asiakirjojen poiminta
Ammattimaisille asiakirjoille pyydä jäsenneltyä poimintaa:
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
Käyntikorttien poiminta
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
Kuvakaappausten käsittely
Kuvakaappaukset ovat erinomainen käyttötapaus, sillä ne sisältävät usein tekstiä monimutkaisissa asetteluissa (valikot, sivupalkit, ponnahdusikkunat):
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
Asiakirjojen eräkäsittely
Kun käsittelet suurta määrää asiakirjoja, yhdistä Grok OCR käsittelyputkeen:
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:n rajoitukset
- Käsinkirjoitettu teksti: tunnistus toimii hyvin luettavalle kirjoitukselle, mutta voi epäonnistua kursiivisen tai lukukelvottoman käsialan kohdalla.
- Muut kuin latinalaiset kielet: tarkkuus vaihtelee kielen ja käytetyn fontin mukaan.
- Heikkolaatuiset kuvat: matalan resoluution skannaukset tai sumeat valokuvat heikentävät tuloksia.
- Erittäin pieni teksti: jopa
high-tilassa alle 8 pikselin korkuinen teksti saatetaan lukea väärin.
Keskeiset asiat
- Käytä aina parametria
detail: "high"OCR-tehtävissä. - Pyydä jäsenneltyä poimintaa (JSON), jotta voit hyödyntää tietoja automaattisesti.
- Grok menee raakaa OCR:ää pidemmälle: se ymmärtää kontekstin ja asettelun.
- Käytä asetusta
store: falsearkaluonteisille asiakirjoille (laskut, käyntikortit). - Validoi ja esikäsittele kuvat maksimoidaksesi poiminnan laadun.