Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

OCR: Extrahering av text

Lektion 6 av 12 Uppdaterad 30 juli 2026 Nybörjare
På denna sida
  1. Läs text i bilder
  2. Klassisk OCR kontra multimodal OCR
  3. Grundläggande extrahering
  4. Strukturerad dokumentextrahering
  5. Extrahering av visitkort
  6. Bearbetning av skärmdumpar
  7. Batch-bearbetning av dokument
  8. Begränsningar hos Grok OCR
  9. Viktiga punkter

Läs text i bilder

OCR (Optical Character Recognition) är ett av de mest kraftfulla användningsområdena för Grok Vision. Till skillnad från traditionella verktyg som bara extraherar tecken, förstår Grok textens kontext i bilden, dess layout och dess betydelse.

Klassisk OCR kontra multimodal OCR

Traditionella OCR-verktyg (Tesseract, Google Vision OCR, AWS Textract) excellerar på rå teckenextrahering. Grok lägger till en extra dimension: det förstår vad texten betyder inom bildens kontext.

När du exempelvis bearbetar en skannad faktura extraherar ett klassiskt OCR-verktyg alla tecken. Grok kan dessutom:

  • Identifiera fält (fakturanummer, datum, totalbelopp)
  • Strukturera data i ett användbart format
  • Korrigera OCR-fel med hjälp av kontext
  • Tolkar tabeller och komplexa layouter

Grundläggande extrahering

För enkel extrahering av synlig text:

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
)

Parametern detail: "high" är avgörande för OCR. I läget low kan modellen missa fin text eller felaktigt läsa vissa tecken.

Strukturerad dokumentextrahering

För professionella dokument bör du begära strukturerad extrahering:

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

Extrahering av visitkort

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

Bearbetning av skärmdumpar

Skärmdumpar är ett utmärkt användningsområde eftersom de ofta innehåller text i komplexa layouter (menyer, sidofält, popup-fönster):

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

Batch-bearbetning av dokument

För att bearbeta stora volymer dokument kombinerar du Grok OCR med en bearbetningspipeline:

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

Begränsningar hos Grok OCR

  • Handskriven text: igenkänningen fungerar bra för läsbar handstil, men kan misslyckas med kursiv eller oläslig handstil
  • Icke-latinska språk: noggrannheten varierar beroende på språk och typsnitt
  • Bilder av låg kvalitet: skanningar med låg upplösning eller suddiga foton försämrar resultaten
  • Mycket liten text: även i läget high kan text som är mindre än 8 pixlar hög bli felaktigt läst

Viktiga punkter

  • Använd alltid detail: "high" för OCR-uppgifter
  • Begär strukturerad extrahering (JSON) för att kunna använda data automatiskt
  • Grok går bortom rå OCR: det förstår kontext och layout
  • Använd store: false för känsliga dokument (fakturor, visitkort)
  • Validera och förbehandla bilder för att maximera extraheringskvaliteten