OCR: teksta izgūšana
Šajā lapā
Teksta lasīšana attēlos
OCR (optiskā rakstzīmju atpazīšana) ir viens no spēcīgākajiem Grok Vision lietošanas gadījumiem. Atšķirībā no tradicionālajiem rīkiem, kas tikai izgūst rakstzīmes, Grok saprot teksta kontekstu attēlā, tā izkārtojumu un nozīmi.
Klasiskais OCR pret multimodālo OCR
Tradicionālie OCR rīki (Tesseract, Google Vision OCR, AWS Textract) lieliski tiek galā ar neapstrādātu rakstzīmju izgūšanu. Grok pievieno papildu dimensiju: tas saprot, ko teksts nozīmē attēla kontekstā.
Piemēram, apstrādājot skenētu rēķinu, klasiskais OCR rīks izgūst visas rakstzīmes. Grok var arī:
- Identificēt laukus (rēķina numurs, datums, kopējā summa)
- Strukturēt datus lietojamā formātā
- Labot OCR kļūdas, izmantojot kontekstu
- Interpretēt tabulas un sarežģītus izkārtojumus
Pamata izgūšana
Vienkāršai redzamā teksta izgūšanai:
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
)
Parametrs detail: "high" ir būtisks OCR uzdevumiem. Režīmā low modelis var palaist garām smalku tekstu vai nepareizi nolasīt noteiktas rakstzīmes.
Strukturēta dokumentu izgūšana
Profesionāliem dokumentiem pieprasiet strukturētu izgūšanu:
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
Vizītkaršu izgūšana
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
Ekrānuzņēmumu apstrāde
Ekrānuzņēmumi ir lielisks lietošanas gadījums, jo tie bieži satur tekstu sarežģītos izkārtojumos (izvēlnes, sānjoslas, uznirstošie logi):
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
Dokumentu apstrāde partijās
Lai apstrādātu lielu dokumentu apjomu, apvienojiet Grok OCR ar apstrādes konveijeru:
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 ierobežojumi
- Rakstīts teksts ar roku: atpazīšana darbojas labi ar salasāmu rakstību, bet var neizdoties ar kurzīvu vai nelasāmu rokrakstu
- Valodas, kas nelieto latīņu alfabētu: precizitāte mainās atkarībā no valodas un izmantotā fonta
- Zemas kvalitātes attēli: zemas izšķirtspējas skenējumi vai izplūdušas fotogrāfijas pasliktina rezultātus
- Ļoti mazs teksts: pat režīmā
highteksts, kas ir mazāks par 8 pikseļiem augstumā, var tikt nolasīts nepareizi
Galvenās atziņas
- OCR uzdevumiem vienmēr izmanto
detail: "high" - Pieprasiet strukturētu izgūšanu (JSON), lai datus varētu automātiski izmantot
- Grok sniedz vairāk nekā tikai neapstrādātu OCR: tas saprot kontekstu un izkārtojumu
- Konfidenciāliem dokumentiem (rēķiniem, vizītkartēm) izmanto
store: false - Validē un iepriekš apstrādā attēlus, lai maksimāli uzlabotu izgūšanas kvalitāti