OCR: Extracția textului
Pe această pagină
Citirea textului din imagini
OCR (Recunoașterea Optică a Caracterelor) reprezintă unul dintre cele mai puternice cazuri de utilizare pentru Grok Vision. Spre deosebire de instrumentele tradiționale care extrag doar caractere, Grok înțelege contextul textului din imagine, aspectul acestuia și semnificația sa.
OCR clasic vs. OCR multimodal
Instrumentele OCR tradiționale (Tesseract, Google Vision OCR, AWS Textract) excelează la extragerea brută a caracterelor. Grok adaugă o dimensiune suplimentară: înțelege ce semnifică textul în contextul imaginii.
De exemplu, la procesarea unei facturi scanate, un instrument OCR clasic extrage toate caracterele. Grok poate, de asemenea:
- Să identifice câmpurile (numărul facturii, data, suma totală)
- Să structureze datele într-un format utilizabil
- Să corecteze erorile OCR folosind contextul
- Să interpreteze tabelele și aspectele complexe
Extracția de bază
Pentru extragerea simplă a textului vizibil:
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
)
Parametrul detail: "high" este esențial pentru OCR. În modul low, modelul poate omite textul fin sau poate citi greșit anumite caractere.
Extracția structurată a documentelor
Pentru documentele profesionale, solicitați o extracție structurată:
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
Extracția datelor de pe cărțile de vizită
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
Procesarea capturilor de ecran
Capturile de ecran reprezintă un caz de utilizare excelent, deoarece conțin adesea text în aspecte complexe (meniuri, bare laterale, ferestre pop-up):
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
Procesarea loturilor de documente
Pentru a procesa un volum mare de documente, combinați OCR-ul Grok cu un flux de procesare:
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
Limitările OCR-ului Grok
- Textul de mână: recunoașterea funcționează bine pentru scrisul lizibil, dar poate eșua în cazul scrisului cursiv sau ilizibil.
- Limbi non-latine: acuratețea variază în funcție de limbă și de fontul utilizat.
- Imagini de calitate scăzută: scanările la rezoluție mică sau fotografiile neclare degradează rezultatele.
- Text foarte mic: chiar și în modul
high, textul cu o înălțime mai mică de 8 pixeli poate fi citit greșit.
Puncte cheie
- Utilizați întotdeauna
detail: "high"pentru sarcinile OCR. - Solicitați o extracție structurată (JSON) pentru a utiliza datele automat.
- Grok merge dincolo de OCR-ul brut: înțelege contextul și aspectul.
- Utilizați
store: falsepentru documentele sensibile (facturi, cărți de vizită). - Validați și preprocesați imaginile pentru a maximiza calitatea extracției.