Вызовите API для чтения Azure AI Vision версии 3.2 GA

В этом руководстве показано, как вызвать API чтения общедоступной версии 3.2 для извлечения текста из изображений. Вы узнаете о различных способах настройки поведения этого API в соответствии с вашими потребностями.

В следующих шагах предполагается, что вы уже создали ресурс Компьютерного зрения и получили ключ и URL-адрес конечной точки. Если вы ещё не сделали этого, посмотрите краткое руководство, чтобы начать.

По умолчанию служба использует последнюю общедоступную модель (GA) для извлечения текста. Начиная с Read версии 3.2, параметр model-version позволяет выбирать между моделями общей доступности (GA) и предварительной версии для данной версии API. Указанная модель используется для извлечения текста с помощью операции чтения.

При использовании операции чтения указывайте для необязательного параметра model-version приведенные ниже значения.

По умолчанию служба извлекает из изображений или документов весь текст, в том числе на смешанных языках. В операции чтения есть необязательный параметр — запрос языка. Указывать код языка следует только в том случае, если нужно, чтобы документ обрабатывался под определенный язык. В противном случае служба может вернуть неполный и неправильный текст.

По умолчанию служба выводит текстовые строки в левом порядке направо. При необходимости с помощью параметра readingOrder можно указать более понятный (natural) порядок вывода для чтения, как показано в примере ниже. Эта функция поддерживается только для латинских языков.

По умолчанию служба извлекает текст со всех страниц в документах. При необходимости используйте параметр pages запроса, чтобы указать номера или диапазоны страниц для извлечения текста только с этих страниц. В следующем примере показан документ с 10 страницами с текстом, извлеченным для обоих случаев: все страницы (1-10) и выбранные страницы (3-6).

Вы отправляете либо локальное изображение, либо удаленное изображение в API чтения. Чтобы передать локальное изображение, поместите двоичные данные этого изображения в текст HTTP-запроса. Для удаленного использования укажите URL-адрес изображения, отформатируя текст запроса, как показано в следующем примере.

{"url":"http://example.com/images/test.jpg"}

Вызов Read в API чтения принимает изображение или PDF-документ в качестве входных данных и асинхронно извлекает из него текст.

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

Вызов возвращает заголовок ответа, который называется Operation-Location. Значением Operation-Location является URL-адрес, содержащий идентификатор операции, который будет использоваться на следующем шаге.

Второй шаг — вызвать операцию Get Read Result. Эта операция принимает в качестве входных данных идентификатор операции, созданный операцией чтения.

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

Она возвращает ответ в формате JSON, содержащий поле Состояние со следующими возможными значениями.

Эта операция вызывается итеративным способом, т. е. повторением, до тех пор пока не вернется со значением выполнено успешно. Используйте интервал от 1 до 2 секунд, чтобы избежать превышения скорости запросов в секунду (RPS).

Когда поле Состояние имеет значение succeeded, ответ JSON содержит текстовый контент, извлеченный из изображения или документа. Ответ JSON поддерживает первоначальное группирование строк распознанных слов. Он включает извлеченные текстовые строки и координаты ограничивающих рамок. Каждая строка текста включает все извлеченные слова с их координатами и оценкой достоверности.

Ниже представлен пример ответа в формате JSON при успешном выполнении операции:

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

Ответ включает классификацию того, находится ли каждая строка текста в рукописном стиле или нет, а также оценка достоверности. Эта функция доступна только для латинских языков. В следующем примере представлена рукописная классификация для текста в изображении.

• Краткое руководство по началу работы: Azure AI Vision версии 3.2 общедоступная Read
• Справочник по REST API версии 3.2