OCR: Szövegkinyerés
Ezen az oldalon
Szöveg olvasása képekből
Az OCR (Optikai Karakterfelismerés) a Grok Vision egyik legerősebb alkalmazási területe. A hagyományos eszközökkel ellentétben, amelyek csak a karaktereket nyerik ki, a Grok megérti a képen lévő szöveg kontextusát, elrendezését és jelentését is.
Hagyományos OCR vs. Multimodális OCR
A hagyományos OCR-eszközök (Tesseract, Google Vision OCR, AWS Textract) a nyers karakterkinyerésben jeleskednek. A Grok egy extra dimenziót ad hozzá: megérti, mit jelent a szöveg a kép kontextusában.
Például egy beolvasott számla feldolgozásakor egy klasszikus OCR-eszköz minden karaktert kinyer. A Grok emellett képes:
- Azonosítani a mezőket (számlaszám, dátum, végösszeg)
- Strukturált, használható formátumba rendezni az adatokat
- Kontextus alapján javítani az OCR-hibákat
- Értelmezni a táblázatokat és a komplex elrendezéseket
Alapkinyerés
Egyszerű, látható szöveg kinyeréséhez:
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
)
A detail: "high" paraméter elengedhetetlen az OCR-hez. low módban a modell figyelmen kívül hagyhatja a finom részleteket tartalmazó szöveget, vagy félreolvashat bizonyos karaktereket.
Strukturált dokumentumkinyerés
Professzionális dokumentumok esetén kérj strukturált kinyerést:
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
Névjegykártya-kinyerés
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
Képernyőképek feldolgozása
A képernyőképek kiváló alkalmazási esetek, mivel gyakran tartalmaznak szöveget komplex elrendezésekben (menük, oldalsávok, felugró ablakok):
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
Kötegelt dokumentumfeldolgozás
Nagy mennyiségű dokumentum feldolgozásához kombináld a Grok OCR-t egy feldolgozási folyamattal:
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
A Grok OCR korlátai
- Kézzel írt szöveg: a felismerés jól működik az olvasható kézírás esetén, de kudarcot vallhat a dőlt vagy olvashatatlan kézírásnál.
- Nem latin betűs nyelvek: a pontosság a nyelvtől és a használt betűtípustól függően változik.
- Alacsony minőségű képek: az alacsony felbontású szkennelések vagy elmosódott fotók rontják az eredményeket.
- Nagyon kicsi szöveg: még
highmódban is előfordulhat, hogy a 8 pixelnél kisebb magasságú szöveget félreolvassa a modell.
Főbb megállapítások
- Mindig használd a
detail: "high"beállítást OCR-feladatokhoz. - Kérj strukturált kinyerést (JSON), hogy az adatokat automatikusan fel tudd használni.
- A Grok túlmutat a nyers OCR-en: megérti a kontextust és az elrendezést is.
- Használd a
store: falsebeállítást érzékeny dokumentumoknál (számlák, névjegykártyák). - Ellenőrizd és előkészítsd a képeket a kinyerés minőségének maximalizálása érdekében.