文档智能读取模型

重要

  • 使用文档智能选公共预览版,可以提前使用目前正处于开发状态的功能。
  • 在正式发布 (GA) 之前,根据用户反馈,功能、方法和流程可能会发生更改。
  • 文档智能客户端库的公共预览版默认为 REST API 版本 2023-10-31-preview

此内容适用于:checkmarkv4.0(预览版) | 先前版本:blue-checkmarkv3.1 (GA)blue-checkmarkv3.0 (GA)

此内容适用于:checkmarkv3.1 (GA) | 最新版本:purple-checkmarkv4.0(预览版) | 先前版本:blue-checkmarkv3.0

此内容适用于:checkmarkv3.0 (GA) | 最新版本:purple-checkmarkv4.0(预览版)purple-checkmarkv3.1(预览版)

注意

若要从标签、路标和海报等外部图像中提取文本,请使用 Azure AI 视觉 v4.0 预览版读取功能,借助一个性能增强的同步 API,该功能针对常规非文档图像进行了优化,可以更轻松地在用户体验方案中嵌入 OCR。

文档智能读取光学字符识别 (OCR) 模型采用高于 Azure AI 视觉读取的分辨率运行,并从 PDF 文档和扫描的图像中提取打印文本和手写文本。 它还支持从 Microsoft Word、Excel、PowerPoint 和 HTML 文档中提取文本。 它可检测段落、文本行、单词、位置和语言。 除自定义模型外,该读取模型也是其他文档智能预生成模型(例如布局、常规文档、发票、收据、身份 (ID) 证件、医疗保险卡、W2)的基础 OCR 引擎。

什么是适用于文档的 OCR?

适用于文档的光学字符识别 (OCR) 针对采用多种文件格式和全球语言的大型文本密集型文档进行了优化。 它包括许多功能,例如更高分辨率的文档图像扫描(更好地处理小型且密集的文本);段落检测;以及可填充的表单管理。 OCR 功能还包括一些高级方案,例如单个字符框、准确提取发票和收据中常见的关键字段以及其他预生成方案。

开发选项

文档智能 v4.0 (2023-10-31-preview) 支持以下工具、应用程序和库:

功能 资源 模型 ID
读取 OCR 模型 文档智能工作室
REST API
C# SDK
Python SDK
Java SDK
JavaScript SDK
prebuilt-read

文档智能 v3.1 支持以下工具、应用程序和库:

功能 资源 模型 ID
读取 OCR 模型 文档智能工作室
REST API
C# SDK
Python SDK
Java SDK
JavaScript SDK
prebuilt-read

文档智能 v3.0 支持以下工具、应用程序和库:

功能 资源 模型 ID
读取 OCR 模型 文档智能工作室
REST API
C# SDK
Python SDK
Java SDK
JavaScript SDK
prebuilt-read

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 ✔ (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。

读取模型数据提取

尝试使用文档智能工作室从表单和文档中提取文本。 需要准备好以下资产:

  • 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。

Screenshot of keys and endpoint location in the Azure portal.

注意

目前,文档智能工作室不支持 Microsoft Word、Excel、PowerPoint 和 HTML 文件格式。

使用文档智能工作室处理的示例文档

Screenshot of Read processing in Document Intelligence Studio.

  1. 在文档智能工作室主页上,选择“读取”

  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”:

    Screenshot of Run analysis and Analyze options buttons in the Document Intelligence Studio.

    试用 Document Intelligence Studio

支持的提取语言和区域设置

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

Microsoft Office 和 HTML 文本提取

分析 Microsft Office 和 HTML 文件时,模型输出中页面单位的计算方法如下所示:

文件格式 计算页单位 全部页
Word 最多 3,000 个字符 = 1 个页面单位,不支持嵌入或链接的图像 每页最多 3,000 个字符的总页数
Excel 每个工作表 = 1 个页面单位,不支持嵌入或链接的图像 工作表总数
PowerPoint 每张幻灯片 = 1 个页面单位,不支持嵌入或链接的图像 幻灯片总数
HTML 最多 3,000 个字符 = 1 个页面单位,不支持嵌入或链接的图像 每页最多 3,000 个字符的总页数

段落提取

文档智能中的读取 OCR 模型将 paragraphs 集合中所有识别出的文本块提取为 analyzeResults 下的顶级对象。 此集合中的每个条目都表示一个文本块,并包含提取的文本 (content) 和边界 polygon 坐标。 span 信息指向包含文档全文的顶级 content 属性中的文本片段。

"paragraphs": [
    {
        "spans": [],
        "boundingRegions": [],
        "content": "While healthcare is still in the early stages of its Al journey, we are seeing pharmaceutical and other life sciences organizations making major investments in Al and related technologies.\" TOM LAWRY | National Director for Al, Health and Life Sciences | Microsoft"
    }
]

模型输出中的页面单位计算如下:

文件格式 计算页单位 全部页
图像 每个图像 = 1 个页面单位 图像总数
PDF PDF 中的每个页面 = 1 个页面单位 PDF 中的总页数
TIFF TIFF 中的每个图像 = 1 个页面单位 PDF 中的总图像数
"pages": [
    {
        "pageNumber": 1,
        "angle": 0,
        "width": 915,
        "height": 1190,
        "unit": "pixel",
        "words": [],
        "lines": [],
        "spans": [],
        "kind": "document"
    }
]

文本行和字词提取

读取 OCR 模型将打印和手写样式的文本提取为 lineswords。 模型输出所提取单词的边界 polygon 坐标和 confidencestyles 集合包含任何手写的行样式(如果检测到的话)以及指向关联文本的跨度。 此功能适用于受支持的手写语言

对于 Microsoft Word、Excel、PowerPoint 和 HTML 文件支持的预览版,读取按原样提取所有嵌入文本。 对于任何嵌入图像,它对图像运行 OCR,以提取文本,并将每个图像中的文本作为添加到 pages 集合的条目追加。 这些添加的条目包括提取的文本行和单词、其边界多边形、置信度以及指向关联文本的跨度。

"words": [
    {
        "content": "While",
        "polygon": [],
        "confidence": 0.997,
        "span": {}
    },
],
"lines": [
    {
        "content": "While healthcare is still in the early stages of its Al journey, we",
        "polygon": [],
        "spans": [],
    }
]

选择页面以进行文本提取

对于较大的多页 PDF 文档,请使用 pages 查询参数指示用于文本提取的特定页码或页面范围。

注意

为了支持 Microsoft Word、Excel、PowerPoint 和 HTML 文件,读取 API 会忽略页面参数,并默认提取所有页面。

文本行的手写风格

响应将分类说明每个文本行是否为手写体,同时包括置信度评分。 有关详细信息,请参阅手写语言支持。 以下示例显示了一个示例 JSON 片段。

"styles": [
{
    "confidence": 0.95,
    "spans": [
    {
        "offset": 509,
        "length": 24
    }
    "isHandwritten": true
    ]
}

后续步骤

完成文档智能快速入门:

探索 REST API: