DocumentAnalysisClient Klass

Referens

DocumentAnalysisClient analyserar information från dokument och bilder och klassificerar dokument. Det är gränssnittet som ska användas för att analysera med fördefinierade modeller (kvitton, visitkort, fakturor, identitetsdokument, bland annat), analysera layout från dokument, analysera allmänna dokumenttyper och analysera anpassade dokument med byggda modeller (för att se en fullständig lista över modeller som stöds av tjänsten, se: https://aka.ms/azsdk/formrecognizer/models). Den tillhandahåller olika metoder baserat på indata från en URL och indata från en dataström.

Anteckning

DocumentAnalysisClient bör användas med API-versioner

2022-08-31 och uppåt. Om du vill använda API-versioner <=v2.1 instansierar du ett FormulärRecognizerClient.

Ny i version 2022-08-31: DocumentAnalysisClient och dess klientmetoder.

Arv: azure.ai.formrecognizer._form_base_client.FormRecognizerClientBase

DocumentAnalysisClient

Konstruktor

DocumentAnalysisClient(endpoint: str, credential: AzureKeyCredential | TokenCredential, **kwargs: Any)

Parametrar

endpoint: str

Obligatorisk

Cognitive Services-slutpunkter som stöds (protokoll och värdnamn, till exempel: https://westus2.api.cognitive.microsoft.com).

credential: AzureKeyCredential eller TokenCredential

Obligatorisk

Autentiseringsuppgifter som krävs för att klienten ska kunna ansluta till Azure. Det här är en instans av AzureKeyCredential om du använder en API-nyckel eller en tokenautentiseringsuppgift från identity.

api_version: str eller DocumentAnalysisApiVersion

API-versionen av tjänsten som ska användas för begäranden. Standardinställningen är den senaste tjänstversionen. Om du anger en äldre version kan funktionskompatibiliteten minska. Om du vill använda API-versioner <=v2.1 instansierar du en FormRecognizerClient.

Exempel

Skapa DocumentAnalysisClient med en slutpunkt och API-nyckel.


   from azure.core.credentials import AzureKeyCredential
   from azure.ai.formrecognizer import DocumentAnalysisClient

   endpoint = os.environ["AZURE_FORM_RECOGNIZER_ENDPOINT"]
   key = os.environ["AZURE_FORM_RECOGNIZER_KEY"]

   document_analysis_client = DocumentAnalysisClient(endpoint, AzureKeyCredential(key))

Skapa DocumentAnalysisClient med en tokenautentiseringsuppgift.


   """DefaultAzureCredential will use the values from these environment
   variables: AZURE_CLIENT_ID, AZURE_TENANT_ID, AZURE_CLIENT_SECRET
   """
   from azure.ai.formrecognizer import DocumentAnalysisClient
   from azure.identity import DefaultAzureCredential

   endpoint = os.environ["AZURE_FORM_RECOGNIZER_ENDPOINT"]
   credential = DefaultAzureCredential()

   document_analysis_client = DocumentAnalysisClient(endpoint, credential)

Metoder

begin_analyze_document	Analysera fälttext och semantiska värden från ett visst dokument. Ny i version 2023-07-31: Nyckelordsargumentet funktioner .
begin_analyze_document_from_url	Analysera fälttext och semantiska värden från ett visst dokument. Indata måste vara platsen (URL) för dokumentet som ska analyseras. Ny i version 2023-07-31: Nyckelordsargumentet funktioner .
begin_classify_document	Klassificera ett dokument med hjälp av en dokumentklassificerare. Mer information om hur du skapar en anpassad klassificerarmodell finns i https://aka.ms/azsdk/formrecognizer/buildclassifiermodel. Ny i version 2023-07-31: Den begin_classify_document-klientmetoden .
begin_classify_document_from_url	Klassificera ett visst dokument med en dokumentklassificerare. Mer information om hur du skapar en anpassad klassificerarmodell finns i https://aka.ms/azsdk/formrecognizer/buildclassifiermodel. Indata måste vara platsen (URL) för dokumentet som ska klassificeras. Ny i version 2023-07-31: Begin_classify_document_from_url-klientmetoden.
close	DocumentAnalysisClient Stäng sessionen.
send_request	Kör en nätverksbegäran med hjälp av klientens befintliga pipeline. Begärande-URL:en kan vara relativ till bas-URL:en. Den tjänst-API-version som används för begäran är samma som klientens om inget annat anges. Att åsidosätta klientens konfigurerade API-version i relativ URL stöds på klienten med API-version 2022-08-31 och senare. Åsidosätter i absolut URL som stöds på klienten med valfri API-version. Den här metoden utlöser inte om svaret är ett fel. om du vill skapa ett undantag anropar du raise_for_status() på det returnerade svarsobjektet. Mer information om hur du skickar anpassade begäranden med den här metoden finns i https://aka.ms/azsdk/dpcodegen/python/send_request.

begin_analyze_document

Analysera fälttext och semantiska värden från ett visst dokument.

Ny i version 2023-07-31: Nyckelordsargumentet funktioner .

begin_analyze_document(model_id: str, document: bytes | IO[bytes], **kwargs: Any) -> LROPoller[AnalyzeResult]

Parametrar

model_id: str

Obligatorisk

En unik modellidentifierare kan skickas som en sträng. Använd det här alternativet om du vill ange det anpassade modell-ID:t eller det fördefinierade modell-ID:t. Fördefinierade modell-ID:t som stöds finns här: https://aka.ms/azsdk/formrecognizer/models

document: bytes eller IO[bytes]

Obligatorisk

Filström eller byte. För filtyper som stöds av tjänsten, se: https://aka.ms/azsdk/formrecognizer/supportedfiles.

pages: str

Anpassade sidnummer för flersidiga dokument (PDF/TIFF). Ange sidnummer och/eller sidintervall som du vill få i resultatet. För ett antal sidor använder du ett bindestreck, till exempel pages="1-3, 5-6". Avgränsa varje sidnummer eller intervall med ett kommatecken.

locale: str

Språkvarianttips för indatadokumentet. Se språk som stöds här: https://aka.ms/azsdk/formrecognizer/supportedlocales.

features: list[str]

Funktioner för dokumentanalys som ska aktiveras.

Returer

En instans av en LROPoller. Anropa result() på pollerobjektet för att returnera en AnalyzeResult.

Returtyp

LROPoller[AnalyzeResult]

Undantag

HttpResponseError

Exempel

Analysera en faktura. Fler exempel finns i exempelmappen.


   from azure.core.credentials import AzureKeyCredential
   from azure.ai.formrecognizer import DocumentAnalysisClient

   endpoint = os.environ["AZURE_FORM_RECOGNIZER_ENDPOINT"]
   key = os.environ["AZURE_FORM_RECOGNIZER_KEY"]

   document_analysis_client = DocumentAnalysisClient(
       endpoint=endpoint, credential=AzureKeyCredential(key)
   )
   with open(path_to_sample_documents, "rb") as f:
       poller = document_analysis_client.begin_analyze_document(
           "prebuilt-invoice", document=f, locale="en-US"
       )
   invoices = poller.result()

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

Analysera ett anpassat dokument. Fler exempel finns i exempelmappen.


   from azure.core.credentials import AzureKeyCredential
   from azure.ai.formrecognizer import DocumentAnalysisClient

   endpoint = os.environ["AZURE_FORM_RECOGNIZER_ENDPOINT"]
   key = os.environ["AZURE_FORM_RECOGNIZER_KEY"]
   model_id = os.getenv("CUSTOM_BUILT_MODEL_ID", custom_model_id)

   document_analysis_client = DocumentAnalysisClient(
       endpoint=endpoint, credential=AzureKeyCredential(key)
   )

   # Make sure your document's type is included in the list of document types the custom model can analyze
   with open(path_to_sample_documents, "rb") as f:
       poller = document_analysis_client.begin_analyze_document(
           model_id=model_id, document=f
       )
   result = poller.result()

   for idx, document in enumerate(result.documents):
       print(f"--------Analyzing document #{idx + 1}--------")
       print(f"Document has type {document.doc_type}")
       print(f"Document has document type confidence {document.confidence}")
       print(f"Document was analyzed with model with ID {result.model_id}")
       for name, field in document.fields.items():
           field_value = field.value if field.value else field.content
           print(
               f"......found field of type '{field.value_type}' with value '{field_value}' and with confidence {field.confidence}"
           )

   # iterate over tables, lines, and selection marks on each page
   for page in result.pages:
       print(f"\nLines found on page {page.page_number}")
       for line in page.lines:
           print(f"...Line '{line.content}'")
       for word in page.words:
           print(f"...Word '{word.content}' has a confidence of {word.confidence}")
       if page.selection_marks:
           print(f"\nSelection marks found on page {page.page_number}")
           for selection_mark in page.selection_marks:
               print(
                   f"...Selection mark is '{selection_mark.state}' and has a confidence of {selection_mark.confidence}"
               )

   for i, table in enumerate(result.tables):
       print(f"\nTable {i + 1} can be found on page:")
       for region in table.bounding_regions:
           print(f"...{region.page_number}")
       for cell in table.cells:
           print(
               f"...Cell[{cell.row_index}][{cell.column_index}] has text '{cell.content}'"
           )
   print("-----------------------------------")

begin_analyze_document_from_url

Analysera fälttext och semantiska värden från ett visst dokument. Indata måste vara platsen (URL) för dokumentet som ska analyseras.

Ny i version 2023-07-31: Nyckelordsargumentet funktioner .

begin_analyze_document_from_url(model_id: str, document_url: str, **kwargs: Any) -> LROPoller[AnalyzeResult]

Parametrar

model_id: str

Obligatorisk

document_url: str

Obligatorisk

URL:en för dokumentet som ska analyseras. Indata måste vara en giltig, korrekt kodad (d.v.s. koda specialtecken, till exempel tomma blanksteg) och offentligt tillgänglig URL. För filtyper som stöds av tjänsten, se: https://aka.ms/azsdk/formrecognizer/supportedfiles.

pages: str

locale: str

Språkvarianttips för indatadokumentet. Se språk som stöds här: https://aka.ms/azsdk/formrecognizer/supportedlocales.

features: list[str]

Funktioner för dokumentanalys som ska aktiveras.

Returer

En instans av en LROPoller. Anropa result() på pollerobjektet för att returnera en AnalyzeResult.

Returtyp

LROPoller[AnalyzeResult]

Undantag

HttpResponseError

Exempel

Analysera ett kvitto. Fler exempel finns i exempelmappen.


   from azure.core.credentials import AzureKeyCredential
   from azure.ai.formrecognizer import DocumentAnalysisClient

   endpoint = os.environ["AZURE_FORM_RECOGNIZER_ENDPOINT"]
   key = os.environ["AZURE_FORM_RECOGNIZER_KEY"]

   document_analysis_client = DocumentAnalysisClient(
       endpoint=endpoint, credential=AzureKeyCredential(key)
   )
   url = "https://raw.githubusercontent.com/Azure/azure-sdk-for-python/main/sdk/formrecognizer/azure-ai-formrecognizer/tests/sample_forms/receipt/contoso-receipt.png"
   poller = document_analysis_client.begin_analyze_document_from_url(
       "prebuilt-receipt", document_url=url
   )
   receipts = poller.result()

   for idx, receipt in enumerate(receipts.documents):
       print(f"--------Analysis of receipt #{idx + 1}--------")
       print(f"Receipt type: {receipt.doc_type if receipt.doc_type else 'N/A'}")
       merchant_name = receipt.fields.get("MerchantName")
       if merchant_name:
           print(
               f"Merchant Name: {merchant_name.value} has confidence: "
               f"{merchant_name.confidence}"
           )
       transaction_date = receipt.fields.get("TransactionDate")
       if transaction_date:
           print(
               f"Transaction Date: {transaction_date.value} has confidence: "
               f"{transaction_date.confidence}"
           )
       if receipt.fields.get("Items"):
           print("Receipt items:")
           for idx, item in enumerate(receipt.fields.get("Items").value):
               print(f"...Item #{idx + 1}")
               item_description = item.value.get("Description")
               if item_description:
                   print(
                       f"......Item Description: {item_description.value} has confidence: "
                       f"{item_description.confidence}"
                   )
               item_quantity = item.value.get("Quantity")
               if item_quantity:
                   print(
                       f"......Item Quantity: {item_quantity.value} has confidence: "
                       f"{item_quantity.confidence}"
                   )
               item_price = item.value.get("Price")
               if item_price:
                   print(
                       f"......Individual Item Price: {item_price.value} has confidence: "
                       f"{item_price.confidence}"
                   )
               item_total_price = item.value.get("TotalPrice")
               if item_total_price:
                   print(
                       f"......Total Item Price: {item_total_price.value} has confidence: "
                       f"{item_total_price.confidence}"
                   )
       subtotal = receipt.fields.get("Subtotal")
       if subtotal:
           print(f"Subtotal: {subtotal.value} has confidence: {subtotal.confidence}")
       tax = receipt.fields.get("TotalTax")
       if tax:
           print(f"Total tax: {tax.value} has confidence: {tax.confidence}")
       tip = receipt.fields.get("Tip")
       if tip:
           print(f"Tip: {tip.value} has confidence: {tip.confidence}")
       total = receipt.fields.get("Total")
       if total:
           print(f"Total: {total.value} has confidence: {total.confidence}")
       print("--------------------------------------")

begin_classify_document

Klassificera ett dokument med hjälp av en dokumentklassificerare. Mer information om hur du skapar en anpassad klassificerarmodell finns i https://aka.ms/azsdk/formrecognizer/buildclassifiermodel.

Ny i version 2023-07-31: Den begin_classify_document-klientmetoden .

begin_classify_document(classifier_id: str, document: bytes | IO[bytes], **kwargs: Any) -> LROPoller[AnalyzeResult]

Parametrar

classifier_id: str

Obligatorisk

En unik identifierare för dokumentklassificeraren kan skickas som en sträng.

document: bytes eller IO[bytes]

Obligatorisk

Filström eller byte. För filtyper som stöds av tjänsten, se: https://aka.ms/azsdk/formrecognizer/supportedfiles.

Returer

En instans av en LROPoller. Anropa result() på pollerobjektet för att returnera en AnalyzeResult.

Returtyp

LROPoller[AnalyzeResult]

Undantag

HttpResponseError

Exempel

Klassificera ett dokument. Fler exempel finns i exempelmappen.


   from azure.core.credentials import AzureKeyCredential
   from azure.ai.formrecognizer import DocumentAnalysisClient

   endpoint = os.environ["AZURE_FORM_RECOGNIZER_ENDPOINT"]
   key = os.environ["AZURE_FORM_RECOGNIZER_KEY"]
   classifier_id = os.getenv("CLASSIFIER_ID", classifier_id)

   document_analysis_client = DocumentAnalysisClient(
       endpoint=endpoint, credential=AzureKeyCredential(key)
   )
   with open(path_to_sample_documents, "rb") as f:
       poller = document_analysis_client.begin_classify_document(
           classifier_id, document=f
       )
   result = poller.result()

   print("----Classified documents----")
   for doc in result.documents:
       print(
           f"Found document of type '{doc.doc_type or 'N/A'}' with a confidence of {doc.confidence} contained on "
           f"the following pages: {[region.page_number for region in doc.bounding_regions]}"
       )

begin_classify_document_from_url

Klassificera ett visst dokument med en dokumentklassificerare. Mer information om hur du skapar en anpassad klassificerarmodell finns i https://aka.ms/azsdk/formrecognizer/buildclassifiermodel. Indata måste vara platsen (URL) för dokumentet som ska klassificeras.

Ny i version 2023-07-31: Begin_classify_document_from_url-klientmetoden.

begin_classify_document_from_url(classifier_id: str, document_url: str, **kwargs: Any) -> LROPoller[AnalyzeResult]

Parametrar

classifier_id: str

Obligatorisk

En unik identifierare för dokumentklassificeraren kan skickas som en sträng.

document_url: str

Obligatorisk

URL:en för dokumentet som ska klassificeras. Indata måste vara en giltig, korrekt kodad (d.v.s. koda specialtecken, till exempel tomma blanksteg) och en offentligt tillgänglig URL för något av de format som stöds: https://aka.ms/azsdk/formrecognizer/supportedfiles.

Returer

En instans av en LROPoller. Anropa result() på pollerobjektet för att returnera en AnalyzeResult.

Returtyp

LROPoller[AnalyzeResult]

Undantag

HttpResponseError

Exempel

Klassificera ett dokument. Fler exempel finns i exempelmappen.


   from azure.core.credentials import AzureKeyCredential
   from azure.ai.formrecognizer import DocumentAnalysisClient

   endpoint = os.environ["AZURE_FORM_RECOGNIZER_ENDPOINT"]
   key = os.environ["AZURE_FORM_RECOGNIZER_KEY"]
   classifier_id = os.getenv("CLASSIFIER_ID", classifier_id)

   document_analysis_client = DocumentAnalysisClient(
       endpoint=endpoint, credential=AzureKeyCredential(key)
   )

   url = "https://raw.githubusercontent.com/Azure/azure-sdk-for-python/main/sdk/formrecognizer/azure-ai-formrecognizer/tests/sample_forms/forms/IRS-1040.pdf"

   poller = document_analysis_client.begin_classify_document_from_url(
       classifier_id, document_url=url
   )
   result = poller.result()

   print("----Classified documents----")
   for doc in result.documents:
       print(
           f"Found document of type '{doc.doc_type or 'N/A'}' with a confidence of {doc.confidence} contained on "
           f"the following pages: {[region.page_number for region in doc.bounding_regions]}"
       )

close

DocumentAnalysisClient Stäng sessionen.

close() -> None

Undantag

HttpResponseError

send_request

Kör en nätverksbegäran med hjälp av klientens befintliga pipeline.

Begärande-URL:en kan vara relativ till bas-URL:en. Den tjänst-API-version som används för begäran är samma som klientens om inget annat anges. Att åsidosätta klientens konfigurerade API-version i relativ URL stöds på klienten med API-version 2022-08-31 och senare. Åsidosätter i absolut URL som stöds på klienten med valfri API-version. Den här metoden utlöser inte om svaret är ett fel. om du vill skapa ett undantag anropar du raise_for_status() på det returnerade svarsobjektet. Mer information om hur du skickar anpassade begäranden med den här metoden finns i https://aka.ms/azsdk/dpcodegen/python/send_request.

send_request(request: HttpRequest, *, stream: bool = False, **kwargs) -> HttpResponse

Parametrar

request: HttpRequest

Obligatorisk

Den nätverksbegäran som du vill göra.

stream: bool

Om svarsnyttolasten kommer att strömmas. Standardvärdet är False.

Returer

Svaret på ditt nätverksanrop. Felhantering sker inte för ditt svar.

Returtyp

HttpResponse

Undantag

HttpResponseError

Dela via

DocumentAnalysisClient Klass

Konstruktor

Parametrar

Exempel

Metoder

begin_analyze_document

Parametrar

Returer

Returtyp

Undantag

Exempel

begin_analyze_document_from_url

Parametrar

Returer

Returtyp

Undantag

Exempel

begin_classify_document

Parametrar

Returer

Returtyp

Undantag

Exempel

begin_classify_document_from_url

Parametrar

Returer

Returtyp

Undantag

Exempel

close

Undantag

send_request

Parametrar

Returer

Returtyp

Undantag

Ytterligare resurser