OCR: teksto ištraukimas
Šiame puslapyje
Teksto skaitymas paveikslėliuose
OCR (optinis simbolių atpažinimas) yra vienas galingiausių „Grok Vision“ naudojimo atvejų. Skirtingai nei tradiciniai įrankiai, kurie tik ištraukia simbolius, „Grok“ supranta teksto kontekstą paveikslėlyje, jo išdėstymą ir prasmę.
Klasikinis OCR prieš daugiamodį OCR
Tradiciniai OCR įrankiai („Tesseract“, „Google Vision OCR“, „AWS Textract“) puikiai tinka žaliems simboliams ištraukti. „Grok“ prideda papildomą dimensiją: jis supranta, ką tekstas reiškia konkrečiame paveikslėlio kontekste.
Pavyzdžiui, apdorojant nuskaitytą sąskaitą faktūrą, klasikinis OCR įrankis ištraukia visus simbolius. „Grok“ taip pat gali:
- Nustatyti laukus (sąskaitos numeris, data, bendra suma)
- Sutvarkyti duomenis į naudojamą formatą
- Ištaisyti OCR klaidas naudodamas kontekstą
- Interpretuoti lenteles ir sudėtingus maketus
Pagrindinis ištraukimas
Paprastam matomo teksto ištraukimui:
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
)
Parametras detail: "high" yra būtinas OCR užduotims. Veikiant low režimu, modelis gali praleisti smulkų tekstą arba neteisingai nuskaityti tam tikrus simbolius.
Struktūruotas dokumentų ištraukimas
Profesionaliems dokumentams prašykite struktūruoto ištraukimo:
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
Vizitinės kortelės ištraukimas
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
Ekrano kopijų apdorojimas
Ekrano kopijos yra puikus naudojimo atvejis, nes jose dažnai būna teksto sudėtinguose maketuose (meniu, šoninėse juostose, iškylančiuose languose):
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
Masinis dokumentų apdorojimas
Norint apdoroti didelį dokumentų kiekį, „Grok“ OCR derinamas su apdorojimo konvejeriu:
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 apribojimai
- Rankraštis: atpažinimas veikia gerai su įskaitomu raštu, tačiau gali nepavykti su kursyvu arba neįskaitomu rankraščiu.
- Nelotyniškos kalbos: tikslumas skiriasi priklausomai nuo kalbos ir naudoto šrifto.
- Žemos kokybės paveikslėliai: mažos skiriamosios gebos nuskaitymai arba neryškios nuotraukos blogina rezultatus.
- Labai smulkus tekstas: net ir
highrežimu tekstas, kurio aukštis mažesnis nei 8 pikseliai, gali būti nuskaitytas neteisingai.
Svarbiausi punktai
- OCR užduotims visada naudokite
detail: "high". - Duomenims automatiškai naudoti prašykite struktūruoto ištraukimo (JSON).
- „Grok“ eina toliau nei paprastas OCR: jis supranta kontekstą ir išdėstymą.
- Konfidencialiems dokumentams (sąskaitoms faktūroms, vizitinėms kortelėms) naudokite
store: false. - Tikrinkite ir iš anksto apdorokite paveikslėlius, kad maksimaliai pagerintumėte ištraukimo kokybę.