Aan de slag met Document Intelligence

Belangrijk

• Azure Cognitive Services Form Recognizer is nu Azure AI Document Intelligence.
• Sommige platforms wachten nog steeds op de hernoemingsupdate.
• Alle vermeldingen van Form Recognizer of Document Intelligence in onze documentatie verwijzen naar dezelfde Azure-service.

Deze inhoud is van toepassing op: v4.0 (preview) eerdere versies: v3.1 (GA) v3.0 (GA)

• Aan de slag met de nieuwste preview-versie van Azure AI Document Intelligence (2024-07-31-preview).

• Azure AI Document Intelligence/Form Recognizer is een Azure AI-cloudservice die machine learning gebruikt om sleutel-waardeparen, tekst, tabellen en sleutelgegevens uit uw documenten te extraheren.

• U kunt documentverwerkingsmodellen eenvoudig integreren in uw werkstromen en toepassingen met behulp van een programmeertaal-SDK of het aanroepen van de REST API.

• Voor deze quickstart raden we u aan de gratis service te gebruiken terwijl u de technologie leert. Houd er rekening mee dat het aantal gratis pagina's beperkt is tot 500 per maand.

Ga naar onze overzichtspagina voor meer informatie over de API-functies en ontwikkelopties.

Naslaginformatie over REST API-naslaginformatie over clientbibliotheek-SDK-referentiepakketvoorbeelden| | | | ondersteunde REST API-versie |

In deze quickstart gebruikt u de volgende functies om gegevens en waarden uit formulieren en documenten te analyseren en te extraheren:

• Indelingsmodel: tabellen, lijnen, woorden en selectiemarkeringen analyseren en extraheren, zoals keuzerondjes en selectievakjes in documenten, zonder dat u een model hoeft te trainen.

• Vooraf samengesteld model: algemene velden analyseren en extraheren uit specifieke documenttypen met behulp van een vooraf samengesteld model.

Vereisten

• Azure-abonnement: Maak een gratis abonnement aan.

• De huidige versie van Visual Studio IDE.

• Een Azure AI-services of Document Intelligence-resource. Zodra u uw Azure-abonnement hebt, maakt u een resource met één service of Azure AI voor meerdere services , in Azure Portal, om uw sleutel en eindpunt op te halen.

• U kunt de gratis prijscategorie (F0) gebruiken om de service uit te proberen, en later upgraden naar een betaalde laag voor productie.

Tip

Maak een Azure AI-servicesresource als u van plan bent om toegang te krijgen tot meerdere Azure AI-services onder één eindpunt/sleutel. Voor alleen toegang tot Document Intelligence maakt u een Document Intelligence-resource. Houd er rekening mee dat u een resource met één service nodig hebt als u Microsoft Entra-verificatie wilt gebruiken.

• Nadat de resource is geïmplementeerd, selecteert u Ga naar de resource. U hebt de sleutel en het eindpunt nodig van de resource die u maakt om uw toepassing te verbinden met de Document Intelligence-API. U plakt uw sleutel en eindpunt verderop in de code in de quickstart:

  

Instellingen

1. Visual Studio starten.

2. Kies een nieuw project maken op de startpagina.

   

3. Voer op de pagina Een nieuw project maken de console in het zoekvak in. Kies de consoletoepassingssjabloon en kies vervolgens Volgende.

   

4. Voer doc_intel_quickstart in het dialoogvenster Uw nieuwe project configureren het vak Projectnaam in. Kies vervolgens Volgende.

5. Selecteer in het dialoogvenster Aanvullende informatie .NET 8.0 (langetermijnondersteuning) en selecteer vervolgens Maken.

   

De clientbibliotheek installeren met NuGet

1. Klik met de rechtermuisknop op uw doc_intel_quickstart project en selecteer NuGet-pakketten beheren... .

   

2. Selecteer het tabblad Bladeren en typ Azure.AI.DocumentIntelligence.

3. Schakel het Include prerelease selectievakje in.

   

4. Kies een versie in het vervolgkeuzemenu en installeer het pakket in uw project.

Uw toepassing bouwen

Als u wilt communiceren met de Document Intelligence-service, moet u een exemplaar van de DocumentIntelligenceClient klasse maken. Hiervoor maakt u een AzureKeyCredential exemplaar met uw key azure-portal en een DocumentIntelligenceClient exemplaar met de AzureKeyCredential en uw documentinformatie endpoint.

Notitie

• Vanaf .NET 6 genereren nieuwe projecten met behulp van de console sjabloon een nieuwe programmastijl die verschilt van eerdere versies.
• De nieuwe uitvoer maakt gebruik van recente C#-functies die de code vereenvoudigen die u moet schrijven.
• Wanneer u de nieuwere versie gebruikt, hoeft u alleen de hoofdtekst van de Main methode te schrijven. U hoeft geen instructies op het hoogste niveau, globaal gebruik van instructies of impliciet gebruik van instructies op te nemen.
• Zie Nieuwe C#-sjablonen voor meer informatie over het genereren van instructies op het hoogste niveau.

1. Open het Program.cs-bestand .

2. Verwijder de bestaande code, inclusief de regel Console.Writeline("Hello World!"), en selecteer een van de volgende codevoorbeelden om te kopiëren en plakken in het Program.cs bestand van uw toepassing:

   • Indelingsmodel

   • Vooraf samengesteld model

Belangrijk

Vergeet niet de sleutel uit uw code te verwijderen wanneer u klaar bent, en maak deze sleutel nooit openbaar. Gebruik voor productie een veilige manier om uw referenties op te slaan en te openen, zoals Azure Key Vault. Zie Beveiliging van Azure AI-services voor meer informatie.

Indelingsmodel

Extraheer tekst, selectiemarkeringen, tekststijlen, tabelstructuren en coördinaten van begrenzingsregio's uit documenten.

• In dit voorbeeld hebt u een documentbestand van een URI nodig. U kunt ons voorbeelddocument gebruiken voor deze quickstart.
• We hebben de bestands-URI-waarde toegevoegd aan de Uri fileUri variabele boven aan het script.
• Als u de indeling wilt extraheren uit een bepaald bestand op een URI, gebruikt u de StartAnalyzeDocumentFromUri methode en geeft u deze door prebuilt-layout als de model-id. De geretourneerde waarde is een AnalyzeResult object met gegevens uit het ingediende document.

Voeg het volgende codevoorbeeld toe aan het Program.cs-bestand. Zorg ervoor dat u de sleutel- en eindpuntvariabelen bijwerkt met waarden uit uw Document Intelligence-exemplaar van Azure Portal:

using Azure;
using Azure.AI.DocumentIntelligence;

//set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal to create your `AzureKeyCredential` and `DocumentIntelligenceClient` instance
string endpoint = "<your-endpoint>";
string key = "<your-key>";
AzureKeyCredential credential = new AzureKeyCredential(key);
DocumentIntelligenceClient client = new DocumentIntelligenceClient(new Uri(endpoint), credential);

//sample document
Uri fileUri = new Uri ("https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-layout.pdf");

AnalyzeDocumentContent content = new AnalyzeDocumentContent()
{
    UrlSource= fileUri
};

Operation<AnalyzeResult> operation = await client.AnalyzeDocumentAsync(WaitUntil.Completed, "prebuilt-layout", content);

AnalyzeResult result = operation.Value;

foreach (DocumentPage page in result.Pages)
{
    Console.WriteLine($"Document Page {page.PageNumber} has {page.Lines.Count} line(s), {page.Words.Count} word(s)," +
        $" and {page.SelectionMarks.Count} selection mark(s).");

    for (int i = 0; i < page.Lines.Count; i++)
    {
        DocumentLine line = page.Lines[i];

        Console.WriteLine($"  Line {i}:");
        Console.WriteLine($"    Content: '{line.Content}'");

        Console.Write("    Bounding polygon, with points ordered clockwise:");
        for (int j = 0; j < line.Polygon.Count; j += 2)
        {
            Console.Write($" ({line.Polygon[j]}, {line.Polygon[j + 1]})");
        }

        Console.WriteLine();
    }

    for (int i = 0; i < page.SelectionMarks.Count; i++)
    {
        DocumentSelectionMark selectionMark = page.SelectionMarks[i];

        Console.WriteLine($"  Selection Mark {i} is {selectionMark.State}.");
        Console.WriteLine($"    State: {selectionMark.State}");

        Console.Write("    Bounding polygon, with points ordered clockwise:");
        for (int j = 0; j < selectionMark.Polygon.Count; j++)
        {
            Console.Write($" ({selectionMark.Polygon[j]}, {selectionMark.Polygon[j + 1]})");
        }

        Console.WriteLine();
    }
}

for (int i = 0; i < result.Paragraphs.Count; i++)
{
    DocumentParagraph paragraph = result.Paragraphs[i];

    Console.WriteLine($"Paragraph {i}:");
    Console.WriteLine($"  Content: {paragraph.Content}");

    if (paragraph.Role != null)
    {
        Console.WriteLine($"  Role: {paragraph.Role}");
    }
}

foreach (DocumentStyle style in result.Styles)
{
    // Check the style and style confidence to see if text is handwritten.
    // Note that value '0.8' is used as an example.

    bool isHandwritten = style.IsHandwritten.HasValue && style.IsHandwritten == true;

    if (isHandwritten && style.Confidence > 0.8)
    {
        Console.WriteLine($"Handwritten content found:");

        foreach (DocumentSpan span in style.Spans)
        {
            var handwrittenContent = result.Content.Substring(span.Offset, span.Length);
            Console.WriteLine($"  {handwrittenContent}");
        }
    }
}

for (int i = 0; i < result.Tables.Count; i++)
{
    DocumentTable table = result.Tables[i];

    Console.WriteLine($"Table {i} has {table.RowCount} rows and {table.ColumnCount} columns.");

    foreach (DocumentTableCell cell in table.Cells)
    {
        Console.WriteLine($"  Cell ({cell.RowIndex}, {cell.ColumnIndex}) is a '{cell.Kind}' with content: {cell.Content}");
    }
}

Uw toepassing uitvoeren

Zodra u een codevoorbeeld aan uw toepassing hebt toegevoegd, kiest u de groene startknop naast formRecognizer_quickstart om uw programma te bouwen en uit te voeren, of drukt u op F5.

Vooraf samengesteld model

Algemene velden analyseren en extraheren uit specifieke documenttypen met behulp van een vooraf samengesteld model. In dit voorbeeld analyseren we een factuur met behulp van het vooraf samengestelde factuurmodel .

Tip

U bent niet beperkt tot facturen. Er zijn verschillende vooraf gedefinieerde modellen waaruit u kunt kiezen, die elk een eigen set ondersteunde velden hebben. Het model dat voor de analyze bewerking moet worden gebruikt, is afhankelijk van het type document dat moet worden geanalyseerd. Zie modelgegevensextractie.

• Analyseer een factuur met behulp van het vooraf samengestelde factuurmodel. U kunt ons voorbeeldfactuurdocument voor deze quickstart gebruiken.
• We hebben de waarde van de bestands-URI toegevoegd aan de Uri invoiceUri variabele boven aan het Program.cs-bestand.
• Als u een bepaald bestand op een URI wilt analyseren, gebruikt u de StartAnalyzeDocumentFromUri methode en geeft u deze door prebuilt-invoice als de model-id. De geretourneerde waarde is een AnalyzeResult object met gegevens uit het ingediende document.
• Ter vereenvoudiging worden alle sleutel-waardeparen die door de service worden geretourneerd, hier niet weergegeven. Als u de lijst met alle ondersteunde velden en bijbehorende typen wilt bekijken, raadpleegt u de pagina Factuurconcept .

Voeg het volgende codevoorbeeld toe aan uw Program.cs-bestand. Zorg ervoor dat u de sleutel- en eindpuntvariabelen bijwerkt met waarden uit uw Document Intelligence-exemplaar van Azure Portal:

using Azure;
using Azure.AI.DocumentIntelligence;

//set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal to create your `AzureKeyCredential` and `DocumentIntelligenceClient` instance
string endpoint = "<your-endpoint>";
string key = "<your-key>";
AzureKeyCredential credential = new AzureKeyCredential(key);
DocumentIntelligenceClient client = new DocumentIntelligenceClient(new Uri(endpoint), credential);

//sample invoice document

Uri invoiceUri = new Uri ("https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-invoice.pdf");

AnalyzeDocumentContent content = new AnalyzeDocumentContent()
{
    UrlSource = invoiceUri
};

Operation<AnalyzeResult> operation = await client.AnalyzeDocumentAsync(WaitUntil.Completed, "prebuilt-invoice", content);

AnalyzeResult result = operation.Value;

for (int i = 0; i < result.Documents.Count; i++)
{
    Console.WriteLine($"Document {i}:");

    AnalyzedDocument document = result.Documents[i];

    if (document.Fields.TryGetValue("VendorName", out DocumentField vendorNameField)
        && vendorNameField.Type == DocumentFieldType.String)
    {
        string vendorName = vendorNameField.ValueString;
        Console.WriteLine($"Vendor Name: '{vendorName}', with confidence {vendorNameField.Confidence}");
    }

    if (document.Fields.TryGetValue("CustomerName", out DocumentField customerNameField)
        && customerNameField.Type == DocumentFieldType.String)
    {
        string customerName = customerNameField.ValueString;
        Console.WriteLine($"Customer Name: '{customerName}', with confidence {customerNameField.Confidence}");
    }

    if (document.Fields.TryGetValue("Items", out DocumentField itemsField)
        && itemsField.Type == DocumentFieldType.Array)
    {
        foreach (DocumentField itemField in itemsField.ValueArray)
        {
            Console.WriteLine("Item:");

            if (itemField.Type == DocumentFieldType.Object)
            {
                IReadOnlyDictionary<string, DocumentField> itemFields = itemField.ValueObject;

                if (itemFields.TryGetValue("Description", out DocumentField itemDescriptionField)
                    && itemDescriptionField.Type == DocumentFieldType.String)
                {
                    string itemDescription = itemDescriptionField.ValueString;
                    Console.WriteLine($"  Description: '{itemDescription}', with confidence {itemDescriptionField.Confidence}");
                }

                if (itemFields.TryGetValue("Amount", out DocumentField itemAmountField)
                    && itemAmountField.Type == DocumentFieldType.Currency)
                {
                    CurrencyValue itemAmount = itemAmountField.ValueCurrency;
                    Console.WriteLine($"  Amount: '{itemAmount.CurrencySymbol}{itemAmount.Amount}', with confidence {itemAmountField.Confidence}");
                }
            }
        }
    }

    if (document.Fields.TryGetValue("SubTotal", out DocumentField subTotalField)
        && subTotalField.Type == DocumentFieldType.Currency)
    {
        CurrencyValue subTotal = subTotalField.ValueCurrency;
        Console.WriteLine($"Sub Total: '{subTotal.CurrencySymbol}{subTotal.Amount}', with confidence {subTotalField.Confidence}");
    }

    if (document.Fields.TryGetValue("TotalTax", out DocumentField totalTaxField)
        && totalTaxField.Type == DocumentFieldType.Currency)
    {
        CurrencyValue totalTax = totalTaxField.ValueCurrency;
        Console.WriteLine($"Total Tax: '{totalTax.CurrencySymbol}{totalTax.Amount}', with confidence {totalTaxField.Confidence}");
    }

    if (document.Fields.TryGetValue("InvoiceTotal", out DocumentField invoiceTotalField)
        && invoiceTotalField.Type == DocumentFieldType.Currency)
    {
        CurrencyValue invoiceTotal = invoiceTotalField.ValueCurrency;
        Console.WriteLine($"Invoice Total: '{invoiceTotal.CurrencySymbol}{invoiceTotal.Amount}', with confidence {invoiceTotalField.Confidence}");
    }
}

Uw toepassing uitvoeren

Zodra u een codevoorbeeld aan uw toepassing hebt toegevoegd, kiest u de groene startknop naast formRecognizer_quickstart om uw programma te bouwen en uit te voeren, of drukt u op F5.

Rest API-referentiepakket voor clientbibliotheek-SDK | | (Maven) | -voorbeelden |ondersteunde REST API-versie |

In deze quickstart gebruikt u de volgende functies om gegevens en waarden uit formulieren en documenten te analyseren en te extraheren:

• Indeling: tabellen, lijnen, woorden en selectiemarkeringen analyseren en extraheren, zoals keuzerondjes en selectievakjes in documenten, zonder dat u een model hoeft te trainen.

• Vooraf samengestelde factuur: algemene velden analyseren en extraheren uit specifieke documenttypen met behulp van een vooraf getraind model.

Vereisten

• Azure-abonnement: Maak een gratis abonnement aan.

• De nieuwste versie van Visual Studio Code of uw favoriete IDE. Zie Java in Visual Studio Code.

  Tip

  • Visual Studio Code biedt een Coderingspakket voor Java voor Windows en macOS. Het coderingspakket is een bundel VS Code, de Java Development Kit (JDK) en een verzameling voorgestelde extensies van Microsoft. Het coderingspakket kan ook worden gebruikt om een bestaande ontwikkelomgeving op te lossen.
  • Als u VS Code en het Coderingspakket voor Java gebruikt, installeert u de Gradle voor Java-extensie.

• Als u Visual Studio Code niet gebruikt, controleert u of het volgende is geïnstalleerd in uw ontwikkelomgeving:

  • Een Java Development Kit (JDK) versie 8 of hoger. Zie Microsoft Build van OpenJDK voor meer informatie.

  • Gradle, versie 6.8 of hoger.

• Een Azure AI-services of Document Intelligence-resource. Zodra u uw Azure-abonnement hebt, maakt u een Document Intelligence-resource met één service of meerdere services , in Azure Portal, om uw sleutel en eindpunt op te halen. U kunt de gratis prijscategorie (F0) gebruiken om de service uit te proberen, en later upgraden naar een betaalde laag voor productie.

  Tip

  Maak een Azure AI-servicesresource als u van plan bent om toegang te krijgen tot meerdere Azure AI-services onder één eindpunt/sleutel. Voor alleen toegang tot Document Intelligence maakt u een Document Intelligence-resource. Houd er rekening mee dat u een resource met één service nodig hebt als u Microsoft Entra-verificatie wilt gebruiken.

• Nadat de resource is geïmplementeerd, selecteert u Ga naar de resource. U hebt de sleutel en het eindpunt nodig van de resource die u maakt om uw toepassing te verbinden met de Document Intelligence-API. Later plakt u uw sleutel en eindpunt in de code:

  

Instellingen

Een nieuw Gradle-project maken

1. Maak in het consolevenster (zoals cmd, PowerShell of Bash) een nieuwe map voor uw app met de naam doc-intel-app en navigeer ernaartoe.

   mkdir doc-intel-app && doc-intel-app
   

   mkdir doc-intel-app; cd doc-intel-app
   

2. Voer de opdracht gradle init uit vanuit uw werkmap. Met deze opdracht maakt u essentiële buildbestanden voor Gradle, waaronder build.gradle.kts, die tijdens runtime wordt gebruikt om uw toepassing te maken en te configureren.

   gradle init --type basic
   

3. Wanneer u wordt gevraagd om een DSL te kiezen, selecteert u Kotlin.

4. Accepteer de standaardprojectnaam (doc-intel-app) door Return of Enter te selecteren.

De clientbibliotheek installeren

Deze quickstart maakt gebruik van de Gradle-afhankelijkheidsmanager. U vindt de clientbibliotheek en informatie voor andere afhankelijkheidsbeheerders in de Maven Central Repository.

Open het bestand build.gradle.kts van het project in uw IDE. Copay en voorbij de volgende code om de clientbibliotheek als instructie implementation op te nemen, samen met de vereiste invoegtoepassingen en instellingen.

   plugins {
       java
       application
   }
   application {
       mainClass.set("DocIntelligence")
   }
   repositories {
       mavenCentral()
   }
   dependencies {
       implementation group: 'com.azure', name: 'azure-ai-documentintelligence', version: '1.0.0-beta.4'

   }

Een Java-toepassing maken

Als u wilt communiceren met de Document Intelligence-service, moet u een exemplaar van de DocumentIntelligenceClient klasse maken. Hiervoor maakt u een AzureKeyCredential exemplaar met uw key azure-portal en een DocumentIntelligenceClient exemplaar met de AzureKeyCredential en uw documentinformatie endpoint.

1. Voer vanuit de map doc-intel-app de volgende opdracht uit:

   mkdir -p src/main/java
   

   U maakt de volgende mapstructuur:

   

2. Navigeer naar de map en maak een bestand met de java naam DocIntelligence.java.

   Tip

   • U kunt een nieuw bestand maken met behulp van PowerShell.
   • Open een PowerShell-venster in uw projectmap door Shift ingedrukt te houden en met de rechtermuisknop op de map te klikken.
   • Typ de volgende opdracht new-item DocIntelligence.java.

3. Open het bestand DocIntelligence.java. Kopieer en plak een van de volgende codevoorbeelden in uw toepassing:

   • Indeling

   • Vooraf samengestelde factuur

Belangrijk

Vergeet niet de sleutel uit uw code te verwijderen wanneer u klaar bent, en maak deze sleutel nooit openbaar. Gebruik voor productie een veilige manier om uw referenties op te slaan en te openen, zoals Azure Key Vault. Zie Beveiliging van Azure AI-services voor meer informatie.

Indelingsmodel

Extraheer tekst, selectiemarkeringen, tekststijlen, tabelstructuren en coördinaten van begrenzingsregio's uit documenten.

• In dit voorbeeld hebt u een documentbestand op een URI nodig. U kunt ons voorbeelddocument gebruiken voor deze quickstart.
• Als u een bepaald bestand op een URI wilt analyseren, gebruikt u de beginAnalyzeDocumentFromUrl methode en geeft u deze door prebuilt-layout als de model-id. De geretourneerde waarde is een AnalyzeResult object met gegevens over het ingediende document.
• We hebben de bestands-URI-waarde toegevoegd aan de documentUrl variabele in de hoofdmethode.

Voeg het volgende codevoorbeeld toe aan het DocIntelligence.java bestand. Zorg ervoor dat u de sleutel- en eindpuntvariabelen bijwerkt met waarden uit uw Document Intelligence-exemplaar van Azure Portal:

import com.azure.ai.documentintelligence.models.AnalyzeDocumentRequest;
import com.azure.ai.documentintelligence.models.AnalyzeResult;
import com.azure.ai.documentintelligence.models.AnalyzeResultOperation;
import com.azure.ai.documentintelligence.models.DocumentTable;
import com.azure.core.credential.AzureKeyCredential;
import com.azure.core.util.polling.SyncPoller;

import java.util.List;

public class DocIntelligence {

  // set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal
  private static final String endpoint = "<your-endpoint>";
  private static final String key = "<your-key>";

  public static void main(String[] args) {

    // create your `DocumentIntelligenceClient` instance and `AzureKeyCredential` variable
    DocumentIntelligenceClient client = new DocumentIntelligenceClientBuilder()
      .credential(new AzureKeyCredential(key))
      .endpoint(endpoint)
      .buildClient();

    // sample document
    String modelId = "prebuilt-layout";
    String documentUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-layout.pdf";

    SyncPoller <AnalyzeResultOperation, AnalyzeResultOperation> analyzeLayoutPoller =
      client.beginAnalyzeDocument(modelId,
          null,
          null,
          null,
          null,
          null,
          null,
          new AnalyzeDocumentRequest().setUrlSource(documentUrl));

    AnalyzeResult analyzeLayoutResult = analyzeLayoutPoller.getFinalResult().getAnalyzeResult();

    // pages
    analyzeLayoutResult.getPages().forEach(documentPage -> {
      System.out.printf("Page has width: %.2f and height: %.2f, measured with unit: %s%n",
        documentPage.getWidth(),
        documentPage.getHeight(),
        documentPage.getUnit());

      // lines
      documentPage.getLines().forEach(documentLine ->
        System.out.printf("Line '%s' is within a bounding polygon %s.%n",
          documentLine.getContent(),
          documentLine.getPolygon()));

      // words
      documentPage.getWords().forEach(documentWord ->
        System.out.printf("Word '%s' has a confidence score of %.2f.%n",
          documentWord.getContent(),
          documentWord.getConfidence()));

      // selection marks
      documentPage.getSelectionMarks().forEach(documentSelectionMark ->
        System.out.printf("Selection mark is '%s' and is within a bounding polygon %s with confidence %.2f.%n",
          documentSelectionMark.getState().toString(),
          documentSelectionMark.getPolygon(),
          documentSelectionMark.getConfidence()));
    });

    // tables
    List < DocumentTable > tables = analyzeLayoutResult.getTables();
    for (int i = 0; i < tables.size(); i++) {
      DocumentTable documentTable = tables.get(i);
      System.out.printf("Table %d has %d rows and %d columns.%n", i, documentTable.getRowCount(),
        documentTable.getColumnCount());
      documentTable.getCells().forEach(documentTableCell -> {
        System.out.printf("Cell '%s', has row index %d and column index %d.%n", documentTableCell.getContent(),
          documentTableCell.getRowIndex(), documentTableCell.getColumnIndex());
      });
      System.out.println();
    }

    // styles
    analyzeLayoutResult.getStyles().forEach(documentStyle -
      > System.out.printf("Document is handwritten %s.%n", documentStyle.isHandwritten()));
  }
}

De toepassing bouwen en uitvoeren

Nadat u een codevoorbeeld aan uw toepassing hebt toegevoegd, gaat u terug naar de hoofdmap van het project: doc-intel-app.

1. Bouw uw toepassing met de build opdracht:

   gradle build
   

2. Voer uw toepassing uit met de run opdracht:

   gradle run
   

Vooraf samengesteld model

Algemene velden analyseren en extraheren uit specifieke documenttypen met behulp van een vooraf samengesteld model. In dit voorbeeld analyseren we een factuur met behulp van het vooraf samengestelde factuurmodel .

Tip

U bent niet beperkt tot facturen. Er zijn verschillende vooraf gedefinieerde modellen waaruit u kunt kiezen, die elk een eigen set ondersteunde velden hebben. Het model dat voor de analyze bewerking moet worden gebruikt, is afhankelijk van het type document dat moet worden geanalyseerd. Zie modelgegevensextractie.

• Analyseer een factuur met behulp van het vooraf samengestelde factuurmodel. U kunt ons voorbeeldfactuurdocument voor deze quickstart gebruiken.
• We hebben de waarde van de bestands-URL toegevoegd aan de invoiceUrl variabele boven aan het bestand.
• Als u een bepaald bestand op een URI wilt analyseren, gebruikt u de beginAnalyzeDocuments methode en geeft u deze door PrebuiltModels.Invoice als de model-id. De geretourneerde waarde is een result object met gegevens over het ingediende document.
• Ter vereenvoudiging worden alle sleutel-waardeparen die door de service worden geretourneerd, hier niet weergegeven. Als u de lijst met alle ondersteunde velden en bijbehorende typen wilt bekijken, raadpleegt u de pagina Factuurconcept .

Voeg het volgende codevoorbeeld toe aan het DocIntelligence.java bestand. Zorg ervoor dat u de sleutel- en eindpuntvariabelen bijwerkt met waarden uit uw Document Intelligence-exemplaar van Azure Portal:

import com.azure.ai.documentintelligence.models.AnalyzeDocumentRequest;
import com.azure.ai.documentintelligence.models.AnalyzeResult;
import com.azure.ai.documentintelligence.models.AnalyzeResultOperation;
import com.azure.ai.documentintelligence.models.Document;
import com.azure.ai.documentintelligence.models.DocumentField;
import com.azure.ai.documentintelligence.models.DocumentFieldType;
import com.azure.core.credential.AzureKeyCredential;
import com.azure.core.util.polling.SyncPoller;

import java.io.IOException;
import java.time.LocalDate;
import java.util.List;
import java.util.Map;

public class DocIntelligence {

  // set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal
  private static final String endpoint = "<your-endpoint>";
  private static final String key = "<your-key>";

  public static void main(String[] args) {

    // sample document
    String modelId = "prebuilt-invoice";
    String invoiceUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-invoice.pdf";

    public static void main(final String[] args) throws IOException {

      // Instantiate a client that will be used to call the service.
      DocumentIntelligenceClient client = new DocumentIntelligenceClientBuilder()
        .credential(new AzureKeyCredential(key))
        .endpoint(endpoint)
        .buildClient();

      SyncPoller<AnalyzeResultOperation, AnalyzeResultOperation > analyzeInvoicesPoller =
        client.beginAnalyzeDocument(modelId, 
            null,
            null,
            null,
            null,
            null,
            null,
            new AnalyzeDocumentRequest().setUrlSource(invoiceUrl));

      AnalyzeResult analyzeInvoiceResult = analyzeInvoicesPoller.getFinalResult().getAnalyzeResult();

      for (int i = 0; i < analyzeInvoiceResult.getDocuments().size(); i++) {
        Document analyzedInvoice = analyzeInvoiceResult.getDocuments().get(i);
        Map < String, DocumentField > invoiceFields = analyzedInvoice.getFields();
        System.out.printf("----------- Analyzing invoice  %d -----------%n", i);
        DocumentField vendorNameField = invoiceFields.get("VendorName");
        if (vendorNameField != null) {
          if (DocumentFieldType.STRING == vendorNameField.getType()) {
            String merchantName = vendorNameField.getValueString();
            System.out.printf("Vendor Name: %s, confidence: %.2f%n",
              merchantName, vendorNameField.getConfidence());
          }
        }

        DocumentField vendorAddressField = invoiceFields.get("VendorAddress");
        if (vendorAddressField != null) {
          if (DocumentFieldType.STRING == vendorAddressField.getType()) {
            String merchantAddress = vendorAddressField.getValueString();
            System.out.printf("Vendor address: %s, confidence: %.2f%n",
              merchantAddress, vendorAddressField.getConfidence());
          }
        }

        DocumentField customerNameField = invoiceFields.get("CustomerName");
        if (customerNameField != null) {
          if (DocumentFieldType.STRING == customerNameField.getType()) {
            String merchantAddress = customerNameField.getValueString();
            System.out.printf("Customer Name: %s, confidence: %.2f%n",
              merchantAddress, customerNameField.getConfidence());
          }
        }

        DocumentField customerAddressRecipientField = invoiceFields.get("CustomerAddressRecipient");
        if (customerAddressRecipientField != null) {
          if (DocumentFieldType.STRING == customerAddressRecipientField.getType()) {
            String customerAddr = customerAddressRecipientField.getValueString();
            System.out.printf("Customer Address Recipient: %s, confidence: %.2f%n",
              customerAddr, customerAddressRecipientField.getConfidence());
          }
        }

        DocumentField invoiceIdField = invoiceFields.get("InvoiceId");
        if (invoiceIdField != null) {
          if (DocumentFieldType.STRING == invoiceIdField.getType()) {
            String invoiceId = invoiceIdField.getValueString();
            System.out.printf("Invoice ID: %s, confidence: %.2f%n",
              invoiceId, invoiceIdField.getConfidence());
          }
        }

        DocumentField invoiceDateField = invoiceFields.get("InvoiceDate");
        if (customerNameField != null) {
          if (DocumentFieldType.DATE == invoiceDateField.getType()) {
            LocalDate invoiceDate = invoiceDateField.getValueDate();
            System.out.printf("Invoice Date: %s, confidence: %.2f%n",
              invoiceDate, invoiceDateField.getConfidence());
          }
        }

        DocumentField invoiceTotalField = invoiceFields.get("InvoiceTotal");
        if (customerAddressRecipientField != null) {
          if (DocumentFieldType.NUMBER == invoiceTotalField.getType()) {
            Double invoiceTotal = invoiceTotalField.getValueNumber();
            System.out.printf("Invoice Total: %.2f, confidence: %.2f%n",
              invoiceTotal, invoiceTotalField.getConfidence());
          }
        }

        DocumentField invoiceItemsField = invoiceFields.get("Items");
        if (invoiceItemsField != null) {
          System.out.printf("Invoice Items: %n");
          if (DocumentFieldType.ARRAY == invoiceItemsField.getType()) {
            List < DocumentField > invoiceItems = invoiceItemsField.getValueArray();
            invoiceItems.stream()
              .filter(invoiceItem -> DocumentFieldType.OBJECT == invoiceItem.getType())
              .map(documentField -> documentField.getValueObject())
              .forEach(documentFieldMap -> documentFieldMap.forEach((key, documentField) -> {

                // See a full list of fields found on an invoice here:
                // https://aka.ms/documentintelligence/invoicefields

                if ("Description".equals(key)) {
                  if (DocumentFieldType.STRING == documentField.getType()) {
                    String name = documentField.getValueString();
                    System.out.printf("Description: %s, confidence: %.2fs%n",
                      name, documentField.getConfidence());
                  }
                }
                if ("Quantity".equals(key)) {
                  if (DocumentFieldType.NUMBER == documentField.getType()) {
                    Double quantity = documentField.getValueNumber();
                    System.out.printf("Quantity: %f, confidence: %.2f%n",
                      quantity, documentField.getConfidence());
                  }
                }
                if ("UnitPrice".equals(key)) {
                  if (DocumentFieldType.NUMBER == documentField.getType()) {
                    Double unitPrice = documentField.getValueNumber();
                    System.out.printf("Unit Price: %f, confidence: %.2f%n",
                      unitPrice, documentField.getConfidence());
                  }
                }
                if ("ProductCode".equals(key)) {
                  if (DocumentFieldType.NUMBER == documentField.getType()) {
                    Double productCode = documentField.getValueNumber();
                    System.out.printf("Product Code: %f, confidence: %.2f%n",
                      productCode, documentField.getConfidence());
                  }
                }
              }));
          }
        }
      }
    }
  }
}

De toepassing bouwen en uitvoeren

Nadat u een codevoorbeeld aan uw toepassing hebt toegevoegd, gaat u terug naar de hoofdmap van het project: doc-intel-app.

1. Bouw uw toepassing met de build opdracht:

   gradle build
   

2. Voer uw toepassing uit met de run opdracht:

   gradle run
   

Rest API-referentiepakket voor clientbibliotheek | (npm) | Voorbeelden |ondersteunde REST API-versie |

In deze quickstart gebruikt u de volgende functies om gegevens en waarden uit formulieren en documenten te analyseren en te extraheren:

• Indeling: tabellen, lijnen, woorden en selectiemarkeringen analyseren en extraheren, zoals keuzerondjes en selectievakjes in documenten, zonder dat u een model hoeft te trainen.

• Vooraf samengestelde factuur: algemene velden analyseren en extraheren uit specifieke documenttypen met behulp van een vooraf getraind factuurmodel.

Vereisten

• Azure-abonnement: Maak een gratis abonnement aan.

• De nieuwste versie van Visual Studio Code of uw favoriete IDE. Zie Node.js in Visual Studio Code voor meer informatie.

• De nieuwste LTS versie van Node.js.

• Een Azure AI-services of Document Intelligence-resource. Zodra u uw Azure-abonnement hebt, maakt u een Document Intelligence-resource met één service of meerdere services , in Azure Portal, om uw sleutel en eindpunt op te halen. U kunt de gratis prijscategorie (F0) gebruiken om de service uit te proberen, en later upgraden naar een betaalde laag voor productie.

  Tip

  Maak een Azure AI-servicesresource als u van plan bent om toegang te krijgen tot meerdere Azure AI-services onder één eindpunt/sleutel. Voor alleen toegang tot Document Intelligence maakt u een Document Intelligence-resource. Houd er rekening mee dat u een resource met één service nodig hebt als u Microsoft Entra-verificatie wilt gebruiken.

• Nadat de resource is geïmplementeerd, selecteert u Ga naar de resource. U hebt de sleutel en het eindpunt nodig van de resource die u maakt om uw toepassing te verbinden met de Document Intelligence-API. U plakt uw sleutel en eindpunt verderop in de code in de quickstart:

  

Instellingen

1. Maak een nieuwe Node.js Express-toepassing: maak en navigeer in een consolevenster (zoals cmd, PowerShell of Bash) naar een nieuwe map voor uw app met de naam doc-intel-app.

   mkdir doc-intel-app && cd doc-intel-app
   

2. Voer de npm init opdracht uit om de toepassing te initialiseren en uw project te initialiseren.

   npm init
   

3. Geef de kenmerken van uw project op met behulp van de prompts die worden weergegeven in de terminal.

   • De belangrijkste kenmerken zijn naam, versienummer en toegangspunt.
   • U wordt aangeraden de naam van het toegangspunt op te geven index.js . De beschrijving, testopdracht, GitHub-opslagplaats, trefwoorden, auteurs en licentiegegevens zijn optionele kenmerken. Ze kunnen voor dit project worden overgeslagen.
   • Accepteer de suggesties tussen haakjes door Return of Enter te selecteren.
   • Nadat u de aanwijzingen hebt voltooid, wordt er een package.json bestand gemaakt in de map doc-intel-app.

4. Installeer de ai-document-intelligence clientbibliotheek en azure/identity npm-pakketten:

   npm i @azure-rest/ai-document-intelligence@1.0.0-beta.3 @azure/core-auth
   

   Het package.json-bestand van uw app wordt bijgewerkt met de afhankelijkheden.

5. Maak een bestand met de naam index.js in de toepassingsmap.

   Tip

   • U kunt een nieuw bestand maken met behulp van PowerShell.
   • Open een PowerShell-venster in uw projectmap door Shift ingedrukt te houden en met de rechtermuisknop op de map te klikken.
   • Typ de volgende opdracht New-Item index.js.

Uw toepassing bouwen

Als u wilt communiceren met de Document Intelligence-service, moet u een exemplaar van de DocumentIntelligenceClient klasse maken. Hiervoor maakt u een AzureKeyCredential exemplaar met uw key azure-portal en een DocumentIntelligenceClient exemplaar met de AzureKeyCredential en uw documentinformatie endpoint.

1. Open het index.js bestand in Visual Studio Code of uw favoriete IDE. Kopieer en plak een van de volgende codevoorbeelden in uw toepassing:

   • Indeling

   • Vooraf samengestelde factuur

Belangrijk

Vergeet niet de sleutel uit uw code te verwijderen wanneer u klaar bent, en maak deze sleutel nooit openbaar. Gebruik voor productie een veilige manier om uw referenties op te slaan en te openen, zoals Azure Key Vault. Zie Beveiliging van Azure AI-services voor meer informatie.

Indelingsmodel

Extraheer tekst, selectiemarkeringen, tekststijlen, tabelstructuren en coördinaten van begrenzingsregio's uit documenten.

• In dit voorbeeld hebt u een documentbestand van een URL nodig. U kunt ons voorbeelddocument gebruiken voor deze quickstart.
• We hebben de waarde van de bestands-URL toegevoegd aan de formUrl variabele boven aan het bestand.
• Als u een bepaald bestand wilt analyseren op basis van een URL, gebruikt u de beginAnalyzeDocuments methode en geeft u deze door prebuilt-layout als de model-id.

    const DocumentIntelligence = require("@azure-rest/ai-document-intelligence").default,
  { getLongRunningPoller, isUnexpected } = require("@azure-rest/ai-document-intelligence");

  const { AzureKeyCredential } = require("@azure/core-auth");

    // set `<your-key>` and `<your-endpoint>` variables with the values from the Azure portal.
    const key = "<your-key>";
    const endpoint = "<your-endpoint>";

    // sample document
    const formUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-layout.pdf"

   async function main() {
    const client = DocumentIntelligence(endpoint, new AzureKeyCredential(key));


    const initialResponse = await client
      .path("/documentModels/{modelId}:analyze", "prebuilt-layout")
      .post({
        contentType: "application/json",
        body: {
          urlSource: formUrl
        },
       });

       if (isUnexpected(initialResponse)) {
       throw initialResponse.body.error;
     }

    const poller = await getLongRunningPoller(client, initialResponse);
    const analyzeResult = (await poller.pollUntilDone()).body.analyzeResult;

    const documents = analyzeResult?.documents;

    const document = documents && documents[0];
    if (!document) {
    throw new Error("Expected at least one document in the result.");
    }

    console.log(
    "Extracted document:",
    document.docType,
    `(confidence: ${document.confidence || "<undefined>"})`,
    );
    console.log("Fields:", document.fields);
}

main().catch((error) => {
    console.error("An error occurred:", error);
    process.exit(1);
});

Uw toepassing uitvoeren

Nadat u een codevoorbeeld aan uw toepassing hebt toegevoegd, voert u het volgende uit:

1. Navigeer naar de map met uw Document Intelligence-toepassing (doc-intel-app).

2. Typ de volgende opdracht in uw terminal:

   node index.js
   

Vooraf samengesteld model

In dit voorbeeld analyseren we een factuur met behulp van het vooraf samengestelde factuurmodel .

Tip

U bent niet beperkt tot facturen. Er zijn verschillende vooraf gedefinieerde modellen waaruit u kunt kiezen, die elk een eigen set ondersteunde velden hebben. Het model dat voor de analyze bewerking moet worden gebruikt, is afhankelijk van het type document dat moet worden geanalyseerd. Zie modelgegevensextractie.

• Analyseer een factuur met behulp van het vooraf samengestelde factuurmodel. U kunt ons voorbeeldfactuurdocument voor deze quickstart gebruiken.
• We hebben de waarde van de bestands-URL toegevoegd aan de invoiceUrl variabele boven aan het bestand.
• Als u een bepaald bestand op een URI wilt analyseren, gebruikt u de beginAnalyzeDocuments methode en geeft u deze door PrebuiltModels.Invoice als de model-id. De geretourneerde waarde is een result object met gegevens over het ingediende document.
• Ter vereenvoudiging worden alle sleutel-waardeparen die door de service worden geretourneerd, hier niet weergegeven. Als u de lijst met alle ondersteunde velden en bijbehorende typen wilt bekijken, raadpleegt u de pagina Factuurconcept .

const DocumentIntelligence = require("@azure-rest/ai-document-intelligence").default,
  { getLongRunningPoller, isUnexpected } = require("@azure-rest/ai-document-intelligence");

const { AzureKeyCredential } = require("@azure/core-auth");

    // set `<your-key>` and `<your-endpoint>` variables with the values from the Azure portal.
    const key = "<your-key>";
    const endpoint = "<your-endpoint>";

    // sample document
    const invoiceUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-invoice.pdf"

async function main() {

    const client = DocumentIntelligence(endpoint, new AzureKeyCredential(key));

    const initialResponse = await client
    .path("/documentModels/{modelId}:analyze", "prebuilt-invoice")
    .post({
      contentType: "application/json",
      body: {
        // The Document Intelligence service will access the URL to the invoice image and extract data from it
        urlSource: invoiceUrl,
      },
    });

    if (isUnexpected(initialResponse)) {
       throw initialResponse.body.error;
     }

    const poller = await getLongRunningPoller(client, initialResponse);

    poller.onProgress((state) => console.log("Operation:", state.result, state.status));
    const analyzeResult = (await poller.pollUntilDone()).body.analyzeResult;

    const documents = analyzeResult?.documents;

    const result = documents && documents[0];
    if (result) {
      console.log(result.fields);
    } else {
      throw new Error("Expected at least one invoice in the result.");
    }

console.log(
    "Extracted invoice:",
    document.docType,
    `(confidence: ${document.confidence || "<undefined>"})`,
  );
  console.log("Fields:", document.fields);
}


main().catch((error) => {
    console.error("An error occurred:", error);
    process.exit(1);
});

Uw toepassing uitvoeren

Nadat u een codevoorbeeld aan uw toepassing hebt toegevoegd, voert u het volgende uit:

1. Navigeer naar de map met uw Document Intelligence-toepassing (doc-intel-app).

2. Typ de volgende opdracht in uw terminal:

   node index.js
   

Rest API-referentiepakket voor clientbibliotheek-SDK | | (PyPi) | -voorbeelden | ondersteunde REST API-versie |

In deze quickstart gebruikt u de volgende functies om gegevens uit formulieren en documenten te analyseren en te extraheren:

• Indeling: tabellen, lijnen, woorden en selectiemarkeringen analyseren en extraheren, zoals keuzerondjes en selectievakjes, en sleutel-waardeparen, zonder dat u een model hoeft te trainen.

• Vooraf samengestelde factuur: algemene velden analyseren en extraheren uit specifieke documenttypen met behulp van een vooraf getraind model.

Vereisten

• Azure-abonnement: Maak een gratis abonnement aan.

• Python 3.7 of hoger.

  • Uw Python-installatie moet pip bevatten. U kunt controleren of pip is geïnstalleerd door op de opdrachtregel uit te voeren pip --version . Haal pip op door de nieuwste versie van Python te installeren.

• De nieuwste versie van Visual Studio Code of uw favoriete IDE. Zie Aan de slag met Python in Visual Studio Code voor meer informatie.

• Een Azure AI-services of Document Intelligence-resource. Zodra u uw Azure-abonnement hebt, maakt u een Document Intelligence-resource met één service of meerdere services , in Azure Portal, om uw sleutel en eindpunt op te halen. U kunt de gratis prijscategorie (F0) gebruiken om de service uit te proberen, en later upgraden naar een betaalde laag voor productie.

Tip

Maak een Azure AI-servicesresource als u van plan bent om toegang te krijgen tot meerdere Azure AI-services onder één eindpunt/sleutel. Voor alleen toegang tot Document Intelligence maakt u een Document Intelligence-resource. Houd er rekening mee dat u een resource met één service nodig hebt als u Microsoft Entra-verificatie wilt gebruiken.

• Nadat de resource is geïmplementeerd, selecteert u Ga naar de resource. U hebt de sleutel en het eindpunt nodig van de resource die u maakt om uw toepassing te verbinden met de Document Intelligence-API. U plakt uw sleutel en eindpunt verderop in de code in de quickstart:

  

Instellingen

Open een terminalvenster in uw lokale omgeving en installeer de Azure AI Document Intelligence-clientbibliotheek voor Python met pip:

pip install azure-ai-documentintelligence==1.0.0b4

Uw Python-toepassing maken

Als u wilt communiceren met de Document Intelligence-service, moet u een exemplaar van de DocumentIntelligenceClient klasse maken. Hiervoor maakt u een AzureKeyCredential exemplaar met uw key azure-portal en een DocumentIntelligenceClient exemplaar met de AzureKeyCredential en uw documentinformatie endpoint.

1. Maak een nieuw Python-bestand met de naam doc_intel_quickstart.py in uw favoriete editor of IDE.

2. Open het bestand doc_intel_quickstart.py en selecteer een van de volgende codevoorbeelden om in uw toepassing te kopiëren en plakken:

   • Indeling

   • Vooraf samengestelde factuur

Belangrijk

Vergeet niet de sleutel uit uw code te verwijderen wanneer u klaar bent, en maak deze sleutel nooit openbaar. Gebruik voor productie een veilige manier om uw referenties op te slaan en te openen, zoals Azure Key Vault. Zie Beveiliging van Azure AI-services voor meer informatie.

Indelingsmodel

Extraheer tekst, selectiemarkeringen, tekststijlen, tabelstructuren en coördinaten van begrenzingsregio's uit documenten.

• In dit voorbeeld hebt u een documentbestand van een URL nodig. U kunt ons voorbeelddocument gebruiken voor deze quickstart.
• We hebben de waarde van de bestands-URL toegevoegd aan de formUrl variabele in de analyze_layout functie.

Voeg het volgende codevoorbeeld toe aan uw doc_intel_quickstart.py toepassing. Zorg ervoor dat u de sleutel- en eindpuntvariabelen bijwerkt met waarden uit uw Document Intelligence-exemplaar van Azure Portal:

# import libraries
import os
from azure.core.credentials import AzureKeyCredential
from azure.ai.documentintelligence import DocumentIntelligenceClient
from azure.ai.documentintelligence.models import AnalyzeResult
from azure.ai.documentintelligence.models import AnalyzeDocumentRequest

# set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal
endpoint = "<your-endpoint>"
key = "<your-key>"

# helper functions

def get_words(page, line):
    result = []
    for word in page.words:
        if _in_span(word, line.spans):
            result.append(word)
    return result


def _in_span(word, spans):
    for span in spans:
        if word.span.offset >= span.offset and (
            word.span.offset + word.span.length
        ) <= (span.offset + span.length):
            return True
    return False


def analyze_layout():
    # sample document
    formUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-layout.pdf"

    document_intelligence_client = DocumentIntelligenceClient(
        endpoint=endpoint, credential=AzureKeyCredential(key)
    )

    poller = document_intelligence_client.begin_analyze_document(
        "prebuilt-layout", AnalyzeDocumentRequest(url_source=formUrl
    ))

    result: AnalyzeResult = poller.result()

    if result.styles and any([style.is_handwritten for style in result.styles]):
        print("Document contains handwritten content")
    else:
        print("Document does not contain handwritten content")

    for page in result.pages:
        print(f"----Analyzing layout from page #{page.page_number}----")
        print(
            f"Page has width: {page.width} and height: {page.height}, measured with unit: {page.unit}"
        )

        if page.lines:
            for line_idx, line in enumerate(page.lines):
                words = get_words(page, line)
                print(
                    f"...Line # {line_idx} has word count {len(words)} and text '{line.content}' "
                    f"within bounding polygon '{line.polygon}'"
                )

                for word in words:
                    print(
                        f"......Word '{word.content}' has a confidence of {word.confidence}"
                    )

        if page.selection_marks:
            for selection_mark in page.selection_marks:
                print(
                    f"Selection mark is '{selection_mark.state}' within bounding polygon "
                    f"'{selection_mark.polygon}' and has a confidence of {selection_mark.confidence}"
                )

    if result.tables:
        for table_idx, table in enumerate(result.tables):
            print(
                f"Table # {table_idx} has {table.row_count} rows and "
                f"{table.column_count} columns"
            )
            if table.bounding_regions:
                for region in table.bounding_regions:
                    print(
                        f"Table # {table_idx} location on page: {region.page_number} is {region.polygon}"
                    )
            for cell in table.cells:
                print(
                    f"...Cell[{cell.row_index}][{cell.column_index}] has text '{cell.content}'"
                )
                if cell.bounding_regions:
                    for region in cell.bounding_regions:
                        print(
                            f"...content on page {region.page_number} is within bounding polygon '{region.polygon}'"
                        )

    print("----------------------------------------")


if __name__ == "__main__":
    analyze_layout()

De toepassing uitvoeren

Nadat u een codevoorbeeld aan uw toepassing hebt toegevoegd, bouwt en voert u het programma uit:

1. Navigeer naar de map waar u het doc_intel_quickstart.py-bestand hebt.

2. Typ de volgende opdracht in uw terminal:

   python doc_intel_quickstart.py
   

---

Vooraf samengesteld model

Algemene velden analyseren en extraheren uit specifieke documenttypen met behulp van een vooraf samengesteld model. In dit voorbeeld analyseren we een factuur met behulp van het vooraf samengestelde factuurmodel .

Tip

U bent niet beperkt tot facturen. Er zijn verschillende vooraf gedefinieerde modellen waaruit u kunt kiezen, die elk een eigen set ondersteunde velden hebben. Het model dat voor de analyze bewerking moet worden gebruikt, is afhankelijk van het type document dat moet worden geanalyseerd. Zie modelgegevensextractie.

• Analyseer een factuur met behulp van het vooraf samengestelde factuurmodel. U kunt ons voorbeeldfactuurdocument voor deze quickstart gebruiken.
• We hebben de waarde van de bestands-URL toegevoegd aan de invoiceUrl variabele boven aan het bestand.
• Ter vereenvoudiging worden alle sleutel-waardeparen die door de service worden geretourneerd, hier niet weergegeven. Als u de lijst met alle ondersteunde velden en bijbehorende typen wilt bekijken, raadpleegt u de pagina Factuurconcept .

Voeg het volgende codevoorbeeld toe aan uw doc_intel_quickstart.py toepassing. Zorg ervoor dat u de sleutel- en eindpuntvariabelen bijwerkt met waarden uit uw Document Intelligence-exemplaar van Azure Portal:

# import libraries
import os
from azure.core.credentials import AzureKeyCredential
from azure.ai.documentintelligence import DocumentIntelligenceClient
from azure.ai.documentintelligence.models import AnalyzeResult
from azure.ai.documentintelligence.models import AnalyzeDocumentRequest



# set `<your-endpoint>` and `<your-key>` variables with the values from the Azure portal
endpoint = "<your-endpoint>"
key = "<your-key>"

def analyze_invoice():
    # sample document

    invoiceUrl = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/sample-invoice.pdf"

    document_intelligence_client = DocumentIntelligenceClient(
        endpoint=endpoint, credential=AzureKeyCredential(key)
    )

    poller = document_intelligence_client.begin_analyze_document(
        "prebuilt-invoice", AnalyzeDocumentRequest(url_source=invoiceUrl)
    )
    invoices = poller.result()

    if invoices.documents:
        for idx, invoice in enumerate(invoices.documents):
            print(f"--------Analyzing invoice #{idx + 1}--------")
            vendor_name = invoice.fields.get("VendorName")
            if vendor_name:
                print(
                    f"Vendor Name: {vendor_name.get('content')} has confidence: {vendor_name.get('confidence')}"
                )
            vendor_address = invoice.fields.get("VendorAddress")
            if vendor_address:
                print(
                    f"Vendor Address: {vendor_address.get('content')} has confidence: {vendor_address.get('confidence')}"
                )
            vendor_address_recipient = invoice.fields.get("VendorAddressRecipient")
            if vendor_address_recipient:
                print(
                    f"Vendor Address Recipient: {vendor_address_recipient.get('content')} has confidence: {vendor_address_recipient.get('confidence')}"
                )
            customer_name = invoice.fields.get("CustomerName")
            if customer_name:
                print(
                    f"Customer Name: {customer_name.get('content')} has confidence: {customer_name.get('confidence')}"
                )
            customer_id = invoice.fields.get("CustomerId")
            if customer_id:
                print(
                    f"Customer Id: {customer_id.get('content')} has confidence: {customer_id.get('confidence')}"
                )
            customer_address = invoice.fields.get("CustomerAddress")
            if customer_address:
                print(
                    f"Customer Address: {customer_address.get('content')} has confidence: {customer_address.get('confidence')}"
                )
            customer_address_recipient = invoice.fields.get("CustomerAddressRecipient")
            if customer_address_recipient:
                print(
                    f"Customer Address Recipient: {customer_address_recipient.get('content')} has confidence: {customer_address_recipient.get('confidence')}"
                )
            invoice_id = invoice.fields.get("InvoiceId")
            if invoice_id:
                print(
                    f"Invoice Id: {invoice_id.get('content')} has confidence: {invoice_id.get('confidence')}"
                )
            invoice_date = invoice.fields.get("InvoiceDate")
            if invoice_date:
                print(
                    f"Invoice Date: {invoice_date.get('content')} has confidence: {invoice_date.get('confidence')}"
                )
            invoice_total = invoice.fields.get("InvoiceTotal")
            if invoice_total:
                print(
                    f"Invoice Total: {invoice_total.get('content')} has confidence: {invoice_total.get('confidence')}"
                )
            due_date = invoice.fields.get("DueDate")
            if due_date:
                print(
                    f"Due Date: {due_date.get('content')} has confidence: {due_date.get('confidence')}"
                )
            purchase_order = invoice.fields.get("PurchaseOrder")
            if purchase_order:
                print(
                    f"Purchase Order: {purchase_order.get('content')} has confidence: {purchase_order.get('confidence')}"
                )
            billing_address = invoice.fields.get("BillingAddress")
            if billing_address:
                print(
                    f"Billing Address: {billing_address.get('content')} has confidence: {billing_address.get('confidence')}"
                )
            billing_address_recipient = invoice.fields.get("BillingAddressRecipient")
            if billing_address_recipient:
                print(
                    f"Billing Address Recipient: {billing_address_recipient.get('content')} has confidence: {billing_address_recipient.get('confidence')}"
                )
            shipping_address = invoice.fields.get("ShippingAddress")
            if shipping_address:
                print(
                    f"Shipping Address: {shipping_address.get('content')} has confidence: {shipping_address.get('confidence')}"
                )
            shipping_address_recipient = invoice.fields.get("ShippingAddressRecipient")
            if shipping_address_recipient:
                print(
                    f"Shipping Address Recipient: {shipping_address_recipient.get('content')} has confidence: {shipping_address_recipient.get('confidence')}"
                )
            print("Invoice items:")
            for idx, item in enumerate(invoice.fields.get("Items").get("valueArray")):
                print(f"...Item #{idx + 1}")
                item_description = item.get("valueObject").get("Description")
                if item_description:
                    print(
                        f"......Description: {item_description.get('content')} has confidence: {item_description.get('confidence')}"
                    )
                item_quantity = item.get("valueObject").get("Quantity")
                if item_quantity:
                    print(
                        f"......Quantity: {item_quantity.get('content')} has confidence: {item_quantity.get('confidence')}"
                    )
                unit = item.get("valueObject").get("Unit")
                if unit:
                    print(
                        f"......Unit: {unit.get('content')} has confidence: {unit.get('confidence')}"
                    )
                unit_price = item.get("valueObject").get("UnitPrice")
                if unit_price:
                    unit_price_code = (
                        unit_price.get("valueCurrency").get("currencyCode")
                        if unit_price.get("valueCurrency").get("currencyCode")
                        else ""
                    )
                    print(
                        f"......Unit Price: {unit_price.get('content')}{unit_price_code} has confidence: {unit_price.get('confidence')}"
                    )
                product_code = item.get("valueObject").get("ProductCode")
                if product_code:
                    print(
                        f"......Product Code: {product_code.get('content')} has confidence: {product_code.get('confidence')}"
                    )
                item_date = item.get("valueObject").get("Date")
                if item_date:
                    print(
                        f"......Date: {item_date.get('content')} has confidence: {item_date.get('confidence')}"
                    )
                tax = item.get("valueObject").get("Tax")
                if tax:
                    print(
                        f"......Tax: {tax.get('content')} has confidence: {tax.get('confidence')}"
                    )
                amount = item.get("valueObject").get("Amount")
                if amount:
                    print(
                        f"......Amount: {amount.get('content')} has confidence: {amount.get('confidence')}"
                    )
            subtotal = invoice.fields.get("SubTotal")
            if subtotal:
                print(
                    f"Subtotal: {subtotal.get('content')} has confidence: {subtotal.get('confidence')}"
                )
            total_tax = invoice.fields.get("TotalTax")
            if total_tax:
                print(
                    f"Total Tax: {total_tax.get('content')} has confidence: {total_tax.get('confidence')}"
                )
            previous_unpaid_balance = invoice.fields.get("PreviousUnpaidBalance")
            if previous_unpaid_balance:
                print(
                    f"Previous Unpaid Balance: {previous_unpaid_balance.get('content')} has confidence: {previous_unpaid_balance.get('confidence')}"
                )
            amount_due = invoice.fields.get("AmountDue")
            if amount_due:
                print(
                    f"Amount Due: {amount_due.get('content')} has confidence: {amount_due.get('confidence')}"
                )
            service_start_date = invoice.fields.get("ServiceStartDate")
            if service_start_date:
                print(
                    f"Service Start Date: {service_start_date.get('content')} has confidence: {service_start_date.get('confidence')}"
                )
            service_end_date = invoice.fields.get("ServiceEndDate")
            if service_end_date:
                print(
                    f"Service End Date: {service_end_date.get('content')} has confidence: {service_end_date.get('confidence')}"
                )
            service_address = invoice.fields.get("ServiceAddress")
            if service_address:
                print(
                    f"Service Address: {service_address.get('content')} has confidence: {service_address.get('confidence')}"
                )
            service_address_recipient = invoice.fields.get("ServiceAddressRecipient")
            if service_address_recipient:
                print(
                    f"Service Address Recipient: {service_address_recipient.get('content')} has confidence: {service_address_recipient.get('confidence')}"
                )
            remittance_address = invoice.fields.get("RemittanceAddress")
            if remittance_address:
                print(
                    f"Remittance Address: {remittance_address.get('content')} has confidence: {remittance_address.get('confidence')}"
                )
            remittance_address_recipient = invoice.fields.get(
                "RemittanceAddressRecipient"
            )
            if remittance_address_recipient:
                print(
                    f"Remittance Address Recipient: {remittance_address_recipient.get('content')} has confidence: {remittance_address_recipient.get('confidence')}"
                )


          print("----------------------------------------")


if __name__ == "__main__":
    analyze_invoice()

De toepassing uitvoeren

Nadat u een codevoorbeeld aan uw toepassing hebt toegevoegd, bouwt en voert u het programma uit:

1. Navigeer naar de map waar u het doc_intel_quickstart.py-bestand hebt.

2. Typ de volgende opdracht in uw terminal:

   python doc_intel_quickstart.py
   

| Document Intelligence REST API | ondersteunde Azure SDK's

In deze quickstart leert u hoe u de Document Intelligence REST API gebruikt om gegevens en waarden uit documenten te analyseren en te extraheren:

Vereisten

• Azure-abonnement: Krijg een gratis abonnement

• curl-opdrachtregelprogramma geïnstalleerd.

  • Windows
  • Mac of Linux

• PowerShell-versie 7.*+ (of een vergelijkbare opdrachtregeltoepassing.):

  • Windows
  • MacOS
  • Linux

• Als u uw PowerShell-versie wilt controleren, typt u de volgende opdracht ten opzichte van uw besturingssysteem:

  • Windows: Get-Host | Select-Object Version
  • macOS of Linux: $PSVersionTable

• Een Document Intelligence-resource (één service) of Azure AI-services (meerdere services). Zodra u uw Azure-abonnement hebt, maakt u een Document Intelligence-resource met één service of meerdere services , in Azure Portal, om uw sleutel en eindpunt op te halen. U kunt de gratis prijscategorie (F0) gebruiken om de service uit te proberen, en later upgraden naar een betaalde laag voor productie.

Tip

Maak een Azure AI-servicesresource als u van plan bent om toegang te krijgen tot meerdere Azure AI-services onder één eindpunt/sleutel. Voor alleen toegang tot Document Intelligence maakt u een Document Intelligence-resource. Houd er rekening mee dat u een resource met één service nodig hebt als u Microsoft Entra-verificatie wilt gebruiken.

• Nadat de resource is geïmplementeerd, selecteert u Ga naar de resource. U hebt de sleutel en het eindpunt nodig van de resource die u maakt om uw toepassing te verbinden met de Document Intelligence-API. U plakt uw sleutel en eindpunt verderop in de code in de quickstart:

  

Documenten analyseren en resultaten ophalen

Een POST-aanvraag wordt gebruikt voor het analyseren van documenten met een vooraf samengesteld of aangepast model. Een GET-aanvraag wordt gebruikt om het resultaat van een documentanalyseoproep op te halen. De modelId wordt gebruikt met POST en resultId met GET-bewerkingen.

Document analyseren (POST-aanvraag)

Voordat u de cURL-opdracht uitvoert, moet u de volgende wijzigingen aanbrengen in de postaanvraag:

1. Vervang {endpoint} door de eindpuntwaarde van uw Document Intelligence-exemplaar in Azure Portal.

2. Vervang {key} door de sleutelwaarde van uw Document Intelligence-exemplaar in Azure Portal.

3. Gebruik de volgende tabel als verwijzing en vervang {modelID} deze {your-document-url} door de gewenste waarden.

4. U hebt een documentbestand nodig op een URL. Voor deze quickstart kunt u de voorbeeldformulieren in de volgende tabel gebruiken voor elke functie:

Voorbeelddocumenten

Functie	{modelID}	{your-document-url}
Lezen	vooraf gedefinieerde leesbewerking	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/read.png
Indeling	vooraf gedefinieerde indeling	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/layout.png
Zorgverzekeringskaart	prebuilt-healthInsuranceCard.us	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/insurance-card.png
W-2	prebuilt-tax.us.w2	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/w2.png
Factuur	vooraf samengestelde factuur	https://github.com/Azure-Samples/cognitive-services-REST-api-samples/raw/master/curl/form-recognizer/rest-api/invoice.pdf
Kwitantie	vooraf samengestelde ontvangstbevestiging	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/receipt.png
Id-document	vooraf samengesteld-idDocument	https://raw.githubusercontent.com/Azure-Samples/cognitive-services-REST-api-samples/master/curl/form-recognizer/rest-api/identity_documents.png

Belangrijk

Vergeet niet de sleutel uit uw code te verwijderen wanneer u klaar bent, en maak deze sleutel nooit openbaar. Gebruik voor productie een veilige manier om uw referenties op te slaan en te openen, zoals Azure Key Vault. Zie Beveiliging van Azure AI-services voor meer informatie.

POST-aanvraag

curl -v -i POST "{endpoint}/documentintelligence/documentModels/{modelId}:analyze?api-version=2024-07-31-preview" -H "Content-Type: application/json" -H "Ocp-Apim-Subscription-Key: {key}" --data-ascii "{'urlSource': '{your-document-url}'}"

POST-antwoord (resultID)

U ontvangt een 202 (Success) antwoord met een alleen-lezen bewerkingslocatieheader . De waarde van deze header bevat een resultID query die kan worden uitgevoerd om de status van de asynchrone bewerking op te halen en de resultaten op te halen met behulp van een GET-aanvraag met dezelfde resourceabonnementssleutel:

Resultaten analyseren ophalen (GET-aanvraag)

Nadat u de Analyze document API hebt aangeroepen, roept u de get analyze result-API aan om de status van de bewerking en de geëxtraheerde gegevens op te halen. Voordat u de opdracht uitvoert, moet u de volgende wijzigingen aanbrengen:

1. Vervang {resultID} de header Operation-Location van het POST-antwoord.

2. Vervang {key} door de sleutelwaarde van uw Document Intelligence-exemplaar in Azure Portal.

GET-aanvraag

curl -v -X GET "{endpoint}/documentintelligence/documentModels/{modelId}/analyzeResults/{resultId}?api-version=2024-07-31-preview" -H "Ocp-Apim-Subscription-Key: {key}"

Het antwoord bekijken

U ontvangt een 200 (Success) antwoord met JSON-uitvoer. Het eerste veld, "status", geeft de status van de bewerking aan. Als de bewerking niet is voltooid, is de waarde "status" of "running" "notStarted", en moet u de API opnieuw aanroepen, handmatig of via een script. Een interval van één seconde of meer tussen oproepen wordt aanbevolen.

Voorbeeldantwoord voor vooraf gedefinieerde factuur

{
    "status": "succeeded",
    "createdDateTime": "2024-03-25T19:31:37Z",
    "lastUpdatedDateTime": "2024-03-25T19:31:43Z",
    "analyzeResult": {
        "apiVersion": "2024-07-31-preview",
        "modelId": "prebuilt-invoice",
        "stringIndexType": "textElements"...
    ..."pages": [
            {
                "pageNumber": 1,
                "angle": 0,
                "width": 8.5,
                "height": 11,
                "unit": "inch",
                "words": [
                    {
                        "content": "CONTOSO",
                        "boundingBox": [
                            0.5911,
                            0.6857,
                            1.7451,
                            0.6857,
                            1.7451,
                            0.8664,
                            0.5911,
                            0.8664
                        ],
                        "confidence": 1,
                        "span": {
                            "offset": 0,
                            "length": 7
                                }
                      }],
              }]
      }
}

Ondersteunde documentvelden

Met de vooraf gedefinieerde modellen worden vooraf gedefinieerde sets documentvelden geëxtraheerd. Zie Modelgegevensextractie voor geëxtraheerde veldnamen, typen, beschrijvingen en voorbeelden.

Dat is het, gefeliciteerd!

In deze quickstart hebt u een document Intelligence-model gebruikt om verschillende formulieren en documenten te analyseren. Bekijk vervolgens de Document Intelligence Studio en referentiedocumentatie voor uitgebreide informatie over de Document Intelligence-API.

Volgende stappen

• Probeer Document Intelligence Studio voor een verbeterde ervaring en geavanceerde modelkwaliteit

• Zie changelog-migratiehandleidingen voor migratie van v3.1 naar v4.0.

• Meer voorbeelden vinden op GitHub.