调用 Azure AI 视觉 3.2 GA 读取 API

本指南展示了如何调用 v3.2 GA 读取 API 从图像中提取文本。 你将了解此 API 行为的不同配置方式以满足你的需求。 本指南假设已经创建视觉资源并获得了密钥和终结点 URL。 如果没有,请按照快速入门中的说明开始操作。

输入要求

读取 API 调用采用图像和文档作为输入。 这些输入需满足以下要求:

  • 支持的文件格式:JPEG、PNG、BMP、PDF 和 TIFF
  • 对于 PDF 和 TIFF 文件,最多处理 2,000 个页面(对于免费层,只处理前两个页面)。
  • 图像的文件大小必须小于 500 MB(对于免费层,则为 4 MB),且尺寸介于 50 x 50 和 10,000 x 10,000 像素之间。 PDF 文件没有大小限制。
  • 对于 1024 x 768 的图像,要提取的文本的最小高度为 12 像素。 这对应于大约 8 个字体点文本,即 150 DPI。

注意

无需裁剪文本行的图像。 将整个图像发送到读取 API,它将识别所有文本。

确定如何处理数据(可选)

指定 OCR 模型

默认情况下,此服务使用最新的正式发布 (GA) 模型来提取文本。 从 Read 3.2 开始,model-version 参数允许在给定 API 版本的 GA 和预览版模型之间选择。 指定的模型将用于使用读取操作提取文本。

使用读取操作时,请为可选 model-version 参数使用以下值。

使用的模型
未提供 最新 GA 模型
最新 最新 GA 模型
2022-04-30 最新 GA 模型。 适用于印制文本的 164 种语言,以及适用于手写文本的 9 种语言,还有多项有关质量和性能的增强功能
2022-01-30-preview 预览模型添加了对印地语、阿拉伯语和相关语言的印制文本的支持。 对于手写文本,添加了对日语和朝鲜语的支持。
2021-09-30-preview 预览模型添加了对俄语和其他西里尔语的印制文本的支持。 对于手写文本,添加了对简体中文、法语、德语、意大利语、葡萄牙语和西班牙语的支持。
2021-04-12 2021 GA 模型

输入语言

默认情况下,服务从图像或文档(包括混合语言)中提取所有文本。 读取操作包含可选语言请求参数。 如果希望强制将文档作为该特定语言处理,则仅提供语言代码。 否则,服务可能会返回不完整和不正确的文本。

自然读取顺序输出(仅限拉丁语)

默认情况下,服务按从左到右的顺序输出文本行。 (可选)使用 readingOrder 请求参数,为更易于阅读的读取顺序输出使用 natural,如下例所示。 此功能仅支持拉丁语。

OCR 读取顺序示例

选择要进行文本提取的页面或页面范围

默认情况下,服务从文档的所有页面提取文本。 (可选)使用 pages 请求参数指定页码或页面范围,以便仅从这些页面提取文本。 以下示例演示了一个包含 10 个页面的文档,将按照所有页面 (1-10) 和选定页面 (3-6) 这两种条件提取文本。

选定页面输出

提交服务数据

可向读取 API 提交本地映像或远程映像。 就本地映像而言,请将二进制图像数据放在 HTTP 请求正文中。 就远程映像而言,请通过设置请求正文的格式来指定图像的 URL,如下所示:{"url":"http://example.com/images/test.jpg"}

读取 API 的读取调用采用图像或 PDF 文档作为输入,以异步方式提取文本。

https://{endpoint}/vision/v3.2/read/analyze[?language][&pages][&readingOrder]

该调用返回时将包含一个名为 Operation-Location 的响应头字段。 Operation-Location 值是一个 URL,其中包含要在下一步骤中使用的操作 ID。

响应标头 示例值
Operation-Location https://cognitiveservice/vision/v3.2/read/analyzeResults/49a36324-fc4b-4387-aa06-090cfbf0064f

注意

Billing

Azure AI 视觉定价页面包含了读取 API 的定价层。 分析的每个图像或页面均为一个事务。 如果对包含 100 个页面的 PDF 或 TIFF 文档调用该操作,则读取操作会将其计为 100 个事务,而你需要按 100 个事务付费。 如果对该操作发出了 50 次调用,而每次调用提交了包含 100 个页面的文档,则你需要按照 50 X 100 = 5000 个事务付费。

获取服务结果

第二个步骤是调用获取读取结果操作。 此操作采用读取操作创建的操作 ID 作为输入。

https://{endpoint}/vision/v3.2/read/analyzeResults/{operationId}

此操作返回一个 JSON 响应,其中包含具有以下可能值的 status 字段。

含义
notStarted 尚未启动操作。
running 正在处理操作。
failed 操作失败。
succeeded 操作已成功执行。

可以不断地以迭代方式调用此操作,直到它返回 succeeded 值为止。 使用 1 到 2 秒的间隔可以避免超过每秒请求数 (RPS) 的速率限制。

注意

免费层将请求速率限制为每分钟 20 次调用。 付费层允许的每秒请求数 (RPS) 为 30 个,此限制可通过请求提高。 注意你的 Azure 资源标识符和区域,并打开 Azure 支持票证或联系帐户团队,请求更高的每秒请求数 (RPS) 速率。

status 字段的值为 succeeded 时,JSON 响应将包含从图像或文档提取的文本内容。 JSON 响应会维护已识别单词的原始分组。 其中包括提取的文本行及其边界框坐标。 每个文本行都包含所有提取的单词及其坐标和可信度分数。

注意

提交到“读取”操作的数据将暂时加密并静态存储较短的一段时间,然后被删除。 这样,应用程序便可以检索提取的文本作为服务响应的一部分。

示例 JSON 输出

参阅下面的成功 JSON 响应示例:

{
  "status": "succeeded",
  "createdDateTime": "2021-02-04T06:32:08.2752706+00:00",
  "lastUpdatedDateTime": "2021-02-04T06:32:08.7706172+00:00",
  "analyzeResult": {
    "version": "3.2",
    "readResults": [
      {
        "page": 1,
        "angle": 2.1243,
        "width": 502,
        "height": 252,
        "unit": "pixel",
        "lines": [
          {
            "boundingBox": [
              58,
              42,
              314,
              59,
              311,
              123,
              56,
              121
            ],
            "text": "Tabs vs",
            "appearance": {
              "style": {
                "name": "handwriting",
                "confidence": 0.96
              }
            },
            "words": [
              {
                "boundingBox": [
                  68,
                  44,
                  225,
                  59,
                  224,
                  122,
                  66,
                  123
                ],
                "text": "Tabs",
                "confidence": 0.933
              },
              {
                "boundingBox": [
                  241,
                  61,
                  314,
                  72,
                  314,
                  123,
                  239,
                  122
                ],
                "text": "vs",
                "confidence": 0.977
              }
            ]
          }
        ]
      }
    ]
  }
}

文本行手写分类(仅限拉丁语)

响应中包括一个分类(指明每行文本是否为手写体),以及一个置信度得分。 此功能仅适用于拉丁语。 以下示例演示了图像中文本的手写分类。

OCR 手写分类示例

后续步骤