OCR: Ekstrakcja tekstu
Na tej stronie
Odczytywanie tekstu na obrazach
OCR (Optyczne Rozpoznawanie Znaków) to jeden z najpotężniejszych przypadków użycia Grok Vision. W przeciwieństwie do tradycyjnych narzędzi, które jedynie wydobywają znaki, Grok rozumie kontekst tekstu na obrazie, jego układ oraz znaczenie.
Klasyczne OCR a OCR multimodalne
Tradycyjne narzędzia OCR (Tesseract, Google Vision OCR, AWS Textract) świetnie radzą sobie z surową ekstrakcją znaków. Grok dodaje kolejny wymiar: rozumie, co tekst oznacza w kontekście obrazu.
Na przykład podczas przetwarzania zeskanowanej faktury klasyczne narzędzie OCR wydobywa wszystkie znaki. Grok potrafi również:
- Zidentyfikować pola (numer faktury, data, kwota całkowita)
- Ustrukturyzować dane w użytecznym formacie
- Skorygować błędy OCR, wykorzystując kontekst
- Zinterpretować tabele i złożone układy
Podstawowa ekstrakcja
Do prostej ekstrakcji widocznego tekstu:
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
)
Parametr detail: "high" jest kluczowy dla OCR. W trybie low model może przeoczyć drobny tekst lub błędnie odczytać niektóre znaki.
Strukturalna ekstrakcja dokumentów
W przypadku dokumentów profesjonalnych zażądaj ekstrakcji strukturalnej:
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
Ekstrakcja danych z wizytówek
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
Przetwarzanie zrzutów ekranu
Zrzuty ekranu to doskonały przypadek użycia, ponieważ często zawierają tekst w złożonych układach (menu, paski boczne, wyskakujące okienka):
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
Masowe przetwarzanie dokumentów
Aby przetworzyć dużą liczbę dokumentów, połącz OCR Grok z potokiem przetwarzania:
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
Ograniczenia OCR Grok
- Tekst odręczny: rozpoznawanie działa dobrze w przypadku czytelnego pisma, ale może zawieść przy piśmie kursywnym lub nieczytelnym
- Języki inne niż łacińskie: dokładność varies w zależności od języka i użytej czcionki
- Obrazy niskiej jakości: skany o niskiej rozdzielczości lub rozmazane zdjęcia pogarszają wyniki
- Bardzo mały tekst: nawet w trybie
hightekst o wysokości mniejszej niż 8 pikseli może zostać błędnie odczytany
Kluczowe wnioski
- Zawsze używaj
detail: "high"do zadań OCR - Żądaj ekstrakcji strukturalnej (JSON), aby automatycznie wykorzystać dane
- Grok wykracza poza surowe OCR: rozumie kontekst i układ
- Używaj
store: falsedla dokumentów wrażliwych (faktury, wizytówki) - Waliduj i wstępnie przetwarzaj obrazy, aby zmaksymalizować jakość ekstrakcji