偵測檔案中的文字

本頁面說明如何使用 Google Distributed Cloud (GDC) 無網路連線裝置上的光學字元辨識 (OCR) API，偵測檔案中的文字。

Vertex AI 的 OCR 服務會使用 BatchAnnotateFiles API 方法，偵測 GDC 無氣隙裝置上 PDF 和 TIFF 檔案中的文字。

注意： BatchAnnotateFiles API 方法在每個批次呼叫中僅支援單一要求。

事前準備

您必須先準備一個專案，並啟用 OCR API 和適當的憑證，才能開始使用 OCR API。您也可以安裝用戶端程式庫，協助您呼叫 API。詳情請參閱「設定字元辨識專案」。

使用內嵌要求偵測文字

BatchAnnotateFiles 方法會從批次的 PDF 或 TIFF 檔案中偵測文字。 您直接在 API 要求中傳送要偵測文字的檔案做為內容。系統會在 API 回應中，以 JSON 格式傳回偵測到的文字。

您必須在 API 要求的 JSON 主體中指定欄位值。下表說明使用 BatchAnnotateFiles API 方法發出文字偵測要求時，必須提供的要求主體欄位：

要求主體欄位	欄位說明
content	要偵測文字的檔案。您提供二進位檔案內容的 Base64 表示法 (ASCII 字串)。 注意：您只能處理儲存在 GDC 氣隙裝置環境中的本機檔案。
mime_type	這是來源檔案類型你必須將其設為下列其中一個值： application/pdf PDF 檔案 TIFF 檔案的 image/tiff
type	您要從檔案中偵測的文字類型。 指定其中一個註解功能： TEXT_DETECTION 可偵測並擷取任何檔案中的文字。JSON 回應包含擷取的字串、個別字詞及其周框。 DOCUMENT_TEXT_DETECTION 也會從檔案中擷取文字，但這項服務會針對密集文字和文件最佳化回覆內容。JSON 檔案包含頁面、區塊、段落、字詞和換行資訊。 如要進一步瞭解這些註解功能，請參閱「光學字元辨識功能」。
language_hints	(選用步驟) 用於文字偵測的語言清單。 如果這個欄位的值為空白，系統會解讀為自動偵測語言。 如果語言採用拉丁字母，則不需要設定 language_hints 欄位。 如果知道檔案中的文字語言，設定提示可提升結果品質。 語言提示的運作方式為何？ language_hints 格式 遵循下列 BCP 47 語言代碼格式設定規範： language ["-" script] ["-" region] *("-" variant) *("-" extension) ["-" privateuse]。 舉例來說，語言提示「en-t-i0-handwrit」指定了英文 (en)、轉換擴充功能單例 (t)、輸入法引擎轉換擴充功能代碼 (i0) 和手寫轉換代碼 (handwrit)。這大致上表示語言是「從手寫轉換的英文」。您不需要指定指令碼代碼，因為「en」語言代表 Latn。 如需支援的語言清單，請參閱「 支援的語言」一文。
pages	(選用步驟) 要處理的檔案頁數，用於文字偵測。 最多可指定五個網頁。如未指定頁數，服務會處理檔案的前五頁。

提出內嵌 API 要求

使用 REST API 方法向 OCR 預先訓練的 API 提出要求。否則，請透過 Python 指令碼與 OCR 預先訓練的 API 互動，從 PDF 或 TIFF 檔案偵測文字。

注意： BatchAnnotateFiles API 方法在每個批次呼叫中僅支援單一要求。

下列範例說明如何使用 OCR 偵測檔案中的文字：

REST

如要使用 REST API 方法偵測檔案中的文字，請按照下列步驟操作：

1. 請儲存下列 request.json 檔案做為要求主體：

   cat <<- EOF > request.json
   {
     "requests": [
       {
         "input_config": {
           "content": BASE64_ENCODED_FILE,
           "mime_type": "application/pdf"
         },
         "features": [
           {
             "type": "FEATURE_TYPE"
           }
         ],
         "image_context": {
           "language_hints": [
             "LANGUAGE_HINT_1",
             "LANGUAGE_HINT_2",
             ...
           ]
         },
         "pages": []
       }
     ]
   }
   EOF
   

   更改下列內容：

   • BASE64_ENCODED_FILE：二進位檔案內容的 Base64 表示法 (ASCII 字串)。這個字串開頭的字元與 /9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q== 類似。
   • FEATURE_TYPE：您需要從檔案中偵測的文字類型。允許的值為 TEXT_DETECTION 或 DOCUMENT_TEXT_DETECTION。
   • LANGUAGE_HINT：用來做為文字偵測語言提示的 BCP 47 語言代碼，例如 en-t-i0-handwrit。這個欄位為選填，系統會將空白值解讀為自動偵測語言。

2. 取得驗證權杖。

3. 提出要求：

   curl

   curl -X POST \
     -H "Authorization: Bearer TOKEN" \
     -H "x-goog-user-project: projects/PROJECT_ID" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     https://ENDPOINT/v1/files:annotate
   

   更改下列內容：

   • TOKEN：您取得的驗證權杖。
   • PROJECT_ID：您的專案 ID。
   • ENDPOINT：貴機構使用的 OCR 端點。詳情請參閱服務狀態和端點。

   PowerShell

   $headers = @{
     "Authorization" = "Bearer TOKEN"
     "x-goog-user-project" = "projects/PROJECT_ID"
   }
   
   Invoke-WebRequest
     -Method POST
     -Headers $headers
     -ContentType: "application/json; charset=utf-8"
     -InFile request.json
     -Uri "ENDPOINT/v1/files:annotate" | Select-Object -Expand Content
   

   更改下列內容：

   • TOKEN：您取得的驗證權杖。
   • ENDPOINT：貴機構使用的 OCR 端點。詳情請參閱服務狀態和端點。

Python

請按照下列步驟，透過 Python 指令碼使用 OCR 服務偵測檔案中的文字：

1. 安裝最新版 OCR 用戶端程式庫。

2. 在 Python 指令碼中設定必要的環境變數。

3. 驗證 API 要求。

4. 在您建立的 Python 指令碼中新增下列程式碼：

   from google.cloud import vision
   import google.auth
   from google.auth.transport import requests
   from google.api_core.client_options import ClientOptions
   
   audience = "https://ENDPOINT:443"
   api_endpoint="ENDPOINT:443"
   
   def vision_client(creds):
     opts = ClientOptions(api_endpoint=api_endpoint)
     return vision.ImageAnnotatorClient(credentials=creds, client_options=opts)
   
   def main():
     creds = None
     try:
       creds, project_id = google.auth.default()
       creds = creds.with_gdch_audience(audience)
       req = requests.Request()
       creds.refresh(req)
       print("Got token: ")
       print(creds.token)
     except Exception as e:
       print("Caught exception" + str(e))
       raise e
     return creds
   
   def vision_func(creds):
     vc = vision_client(creds)
     input_config = {"content": "BASE64_ENCODED_FILE"}
     features = [{"type_": vision.Feature.Type.FEATURE_TYPE}]
     # Each requests element corresponds to a single file. To annotate more
     # files, create a request element for each file and add it to
     # the array of requests
     req = {"input_config": input_config, "features": features}
   
     metadata = [("x-goog-user-project", "projects/PROJECT_ID")]
   
     resp = vc.annotate_file(req,metadata=metadata)
   
     print(resp)
   
   if __name__=="__main__":
     creds = main()
     vision_func(creds)
   

   更改下列內容：

   • ENDPOINT：貴機構使用的 OCR 端點。詳情請參閱服務狀態和端點。
   • BASE64_ENCODED_FILE：檔案內容的 Base64 表示法 (ASCII 字串)。這個字串開頭的字元與 /9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q== 類似。
   • FEATURE_TYPE：您需要從檔案中偵測的文字類型。允許的值為 TEXT_DETECTION 或 DOCUMENT_TEXT_DETECTION。
   • PROJECT_ID：您的專案 ID。

5. 儲存 Python 指令碼。

6. 執行 Python 指令碼，偵測檔案中的文字：

   python SCRIPT_NAME
   

   將 SCRIPT_NAME 替換為您為 Python 指令碼提供的名稱，例如 vision.py。