Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

OCR: Izvlačenje teksta

Lekcija 6 od 12 Ažurirano 30. srpnja 2026. Početnik
Na ovoj stranici
  1. Čitanje teksta na slikama
  2. Klasični OCR naspram multimodalnog OCR-a
  3. Osnovno izvlačenje
  4. Strukturirano izvlačenje dokumenata
  5. Izvlačenje podataka s posjetnica
  6. Obrada snimaka zaslona
  7. Grupna obrada dokumenata
  8. Ograničenja Grok OCR-a
  9. Ključne točke

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: false za osjetljive dokumente (fakture, posjetnice)
  • Validiraj i predobradi slike kako bi maksimizirao kvalitetu izvlačenja