文档智能常规文档模型

此内容适用于：v3.1 (GA) | 以前的版本：v3.0

此内容适用于：v3.0 (GA) | 最新版本：v3.1

常规文档功能

• 一般文档模型是一种预先训练的模型，不需要标签或训练。

• 单个 API 从文档中提取键值对、选择标记、文本、表和结构。

• 常规文档模型支持结构化、半结构化和非结构化文档。

• 选择标记被标识为值是 :selected: 或 :unselected: 的字段。

在文档智能工作室中处理的示例文档

键值对提取

常规文档 API 支持大多数表单类型，并会分析文档并提取键和关联值。 它非常适合用于从文档中提取常见的键值对。 可以使用常规文档模型作为训练不带标签的自定义模型的替代方法。

开发选项

文档智能 v3.1 支持以下工具、应用程序和库：

文档智能 v3.0 支持以下工具、应用程序和库：

输入要求

• 为获得最佳结果，请针对每个文档提供一张清晰的照片或高质量的扫描件。

• 支持的文件格式：

  型号	PDF	图像： JPEG/JPG、PNG、BMP、TIFF、HEIF	Microsoft Office： Word (DOCX)、Excel (XLSX)、PowerPoint (PPTX) 和 HTML
  阅读	✔	✔	✔
  布局	✔	✔	✔（2024-02-29-preview、2023-10-31-preview）
  常规文档	✔	✔
  预生成	✔	✔
  自定义	✔	✔

• 对于 PDF 和 TIFF，最多可处理 2000 页（对于免费层订阅，仅处理前两页）。

• 用于分析文档的文件大小对于付费 (S0) 层为 500 MB，对于免费 (F0) 层为 4 MB。

• 图像尺寸必须介于 50 x 50 像素与 10,000 x 10,000 像素之间。

• 如果 PDF 是密码锁定的文件，则必须先删除锁，然后才能提交它们。

• 对于 1024 x 768 像素的图像，要提取的文本的最小高度为 12 像素。 此尺寸对应于 150 点/英寸 (DPI) 的大约 8 号字文本。

• 对于自定义模型训练，自定义模板模型的训练数据最大页数为 500，自定义神经模型的训练数据最大页数为 50,000。

• 对于自定义提取模型训练，模板模型的训练数据总大小为 50 MB，神经模型的训练数据总大小为为 1G-MB。

• 对于自定义分类模型训练，训练数据的总大小为 1GB，最大为 10,000 页。

常规文档模型数据提取

尝试使用文档智能工作室从表单和文档中提取数据。

需要以下资源：

• Azure 订阅 - 可以创建试用订阅

• Azure 门户中的文档智能实例。 可以使用免费定价层 (F0) 来试用该服务。 在部署资源后，选择“转到资源”以获取密钥和终结点。

1. 在文档智能工作室主页上，选择“常规文档”。

2. 可以分析示例文档或上传自己的文件。

3. 选择“运行分析”按钮，并根据需要配置“分析选项”：

   

   试用文档智能工作室。

键值对

键值对是文档中的特定范围，用于标识标签或键及其关联的响应或值。 在结构化形式中，这些对可以是用户为该字段输入的标签和值。 在非结构化文档中，它们可能是基于段落中的文本执行合同的日期。 AI 模型经过训练，可基于各种文档类型、格式和结构提取可识别的键和值。

当模型检测到有键但无关联的值，或模型处理可选字段时，键也可以单独存在。 例如，在某些实例中，窗体上的中间名字段可留空。 键值对是文档中包含的文本范围。 对应以不同方式描述相同值的文档，例如客户/用户，关联的键将是客户或用户（具体取决于上下文）。

数据提取

✓* - 仅在 2023-07-31 (v3.1 GA) 及更高版本的 API 版本中可用。

支持的语言和区域设置

有关支持的语言的完整列表，请参阅语言支持 - 文档分析模型页。

注意事项

• 由于键是从文档中提取的文本的范围，因此对于半结构化文档，需要将键映射到现有的键字典。

• 可能会看到有键无值的键值对。 例如，用户在表单上选择不提供电子邮件地址。