OCR: Izvlačenje teksta
Na ovoj stranici
Čitanje teksta na slikama
OCR (optičko prepoznavanje znakova) jedan je od najmoćnijih slučajeva uporabe za Grok Vision. Za razliku od tradicionalnih alata koji izvlače samo znakove, Grok razumije kontekst teksta na slici, njegov raspored i značenje.
Klasični OCR naspram multimodalnog OCR-a
Tradicionalni OCR alati (Tesseract, Google Vision OCR, AWS Textract) izvrsni su u sirovom izvlačenju znakova. Grok dodaje dodatnu dimenziju: razumije što tekst znači unutar konteksta slike.
Na primjer, pri obradi skenirane fakture, klasični OCR alat izvlači sve znakove. Grok također može:
- Identificirati polja (broj fakture, datum, ukupni iznos)
- Strukturirati podatke u iskoristiv format
- Ispraviti OCR pogreške koristeći kontekst
- Interpretirati tablice i složene rasporede
Osnovno izvlačenje
Za jednostavno izvlačenje vidljivog teksta:
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
)
Parametar detail: "high" ključan je za OCR. U načinu low, model može propustiti sitan tekst ili pogrešno pročitati određene znakove.
Strukturirano izvlačenje dokumenata
Za profesionalne dokumente zatraži strukturirano izvlačenje:
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
Izvlačenje podataka s posjetnica
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
Obrada snimaka zaslona
Snimci zaslona izvrstan su slučaj uporabe jer često sadrže tekst u složenim rasporedima (izbornici, bočne trake, skočni prozori):
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
Grupna obrada dokumenata
Za obradu velikog broja dokumenata kombiniraj Grok OCR s pipelineom za obradu:
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
Ograničenja Grok OCR-a
- Ručno pisani tekst: prepoznavanje dobro funkcionira za čitak rukopis, ali može zatajiti kod kurziva ili nečitkog rukopisa
- Jezici koji ne koriste latinicu: točnost varira ovisno o jeziku i korištenom fontu
- Slike niske kvalitete: skenovi niske rezolucije ili zamućene fotografije pogoršavaju rezultate
- Vrlo sitan tekst: čak i u načinu
high, tekst manji od 8 piksela visine može biti pogrešno pročitan
Ključne točke
- Uvijek koristi
detail: "high"za OCR zadatke - Zatraži strukturirano izvlačenje (JSON) za automatsku uporabu podataka
- Grok ide dalje od sirovog OCR-a: razumije kontekst i raspored
- Koristi
store: falseza osjetljive dokumente (fakture, posjetnice) - Validiraj i predobradi slike kako bi maksimizirao kvalitetu izvlačenja