OCR: Tekstextractie
Op deze pagina
Tekst in afbeeldingen lezen
OCR (Optical Character Recognition) is een van de krachtigste use cases voor Grok Vision. In tegenstelling tot traditionele tools die alleen tekens extraheren, begrijpt Grok de context van de tekst in de afbeelding, de lay-out en de betekenis.
Klassieke OCR versus multimodale OCR
Traditionele OCR-tools (Tesseract, Google Vision OCR, AWS Textract) blinken uit in het extraheren van ruwe tekens. Grok voegt een extra dimensie toe: het begrijpt wat de tekst betekent binnen de context van de afbeelding.
Bij het verwerken van een gescande factuur haalt een klassieke OCR-tool bijvoorbeeld alle tekens op. Grok kan daarnaast ook:
- Velden identificeren (factuurnummer, datum, totaalbedrag)
- Gegevens structureren in een bruikbaar formaat
- OCR-fouten corrigeren met behulp van context
- Tabellen en complexe lay-outs interpreteren
Basisextractie
Voor eenvoudige extractie van zichtbare tekst:
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
)
De parameter detail: "high" is essentieel voor OCR. In de modus low kan het model fijne tekst missen of bepaalde tekens verkeerd lezen.
Gestructureerde documentextractie
Voor professionele documenten vraagt u om gestructureerde extractie:
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
Extractie van visitekaartjes
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
Verwerking van screenshots
Screenshots zijn een uitstekende use case omdat ze vaak tekst bevatten in complexe lay-outs (menu’s, zijbalken, pop-ups):
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
Batchverwerking van documenten
Om een groot volume documenten te verwerken, combineert u Grok OCR met een verwerkingspijplijn:
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
Beperkingen van Grok OCR
- Handgeschreven tekst: herkenning werkt goed voor leesbaar handschrift, maar kan falen bij cursief of onleesbaar handschrift
- Niet-Latijnse talen: de nauwkeurigheid varieert afhankelijk van de taal en het gebruikte lettertype
- Afbeeldingen van lage kwaliteit: scans met lage resolutie of wazige foto’s verslechteren de resultaten
- Zeer kleine tekst: zelfs in de modus
highkan tekst kleiner dan 8 pixels in hoogte verkeerd worden gelezen
Belangrijkste punten
- Gebruik altijd
detail: "high"voor OCR-taken - Vraag gestructureerde extractie (JSON) aan om gegevens automatisch te kunnen gebruiken
- Grok gaat verder dan ruwe OCR: het begrijpt context en lay-out
- Gebruik
store: falsevoor vertrouwelijke documenten (facturen, visitekaartjes) - Valideer en bewerk afbeeldingen vooraf om de extractiekwaliteit te maximaliseren