OCR: ekstrakcija besedila
Na tej strani
Branje besedila na slikah
OCR (optično prepoznavanje znakov) je eden najzmogljivejših primerov uporabe za Grok Vision. Za razliko od tradicionalnih orodij, ki le izvlečejo znake, Grok razume kontekst besedila na sliki, njegovo postavitev in pomen.
Klasični OCR proti multimodalnemu OCR-ju
Tradicionalna orodja OCR (Tesseract, Google Vision OCR, AWS Textract) odlično opravijo surovo ekstrakcijo znakov. Grok doda dodatno razsežnost: razume, kaj besedilo pomeni v kontekstu slike.
Na primer, pri obdelavi skeniranega računa klasično orodje OCR izvleče vse znake. Grok lahko poleg tega tudi:
- Identificira polja (številka računa, datum, skupni znesek)
- Strukturira podatke v uporabno obliko
- Popravi napake OCR z uporabo konteksta
- Razlaga tabele in kompleksne postavitve
Osnovna ekstrakcija
Za preprosto ekstrakcijo vidnega besedila:
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
)
Parameter detail: "high" je za OCR nujen. V načinu low lahko model spregleda drobno besedilo ali napačno prebere določene znake.
Strukturirana ekstrakcija dokumentov
Za strokovne dokumente zahtevaj strukturirano ekstrakcijo:
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
Ekstrakcija vizitk
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
Obdelava posnetkov zaslona
Posnetki zaslona so odličen primer uporabe, saj pogosto vsebujejo besedilo v kompleksnih postavitvah (meniji, stranske vrstice, pojavna okna):
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
Serijska obdelava dokumentov
Za obdelavo velike količine dokumentov združi Grok OCR s cevovodom za obdelavo:
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
Omejitve Grok OCR
- Ročno pisano besedilo: prepoznavanje dobro deluje za čitljivo pisavo, lahko pa odpove pri kurzivi ali nečitljivi rokopisu.
- Jeziki, ki ne uporabljajo latinice: natančnost se razlikuje glede na jezik in uporabljeno pisavo.
- Slike nizke kakovosti: skeni z nizlo ločljivostjo ali zamegljene fotografije poslabšajo rezultate.
- Zelo majhno besedilo: tudi v načinu
highje besedilo, manjše od 8 pikslov v višino, lahko napačno prebrano.
Ključne ugotovitve
- Za naloge OCR vedno uporabi
detail: "high". - Zahtevaj strukturirano ekstrakcijo (JSON), da lahko podatke samodejno uporabiš.
- Grok presega surovi OCR: razume kontekst in postavitev.
- Uporabi
store: falseza občutljive dokumente (računi, vizitke). - Validiraj in predobdelaj slike, da maksimiziraš kakovost ekstrakcije.