本文属于【Azure 架构师学习笔记】系列。
本文属于【Azure AI】系列。
接上文 【Azure 架构师学习笔记 】- Azure AI(5)-Azure认知服务-Azure Computer Vision OCR
前言
如果说前一篇OCR是让机器"看见"文字，那么Document Intelligence就是让机器"读懂"文档。它是Azure上一项专门从文档中提取结构化信息的AI服务，前身是Azure Form Recognizer。最常用的地方就是发票。
它的核心价值：你的OCR提取的是"一堆文字"，而Document Intelligence提取的是按照需求"发票号码：INV-001"、"总金额：$1,600"、"到期日：2025-09-25"这样的键值对。
Document Intelligence的三大核心能力
-
预置模型（Prebuilt Models）------ 30+种开箱即用
和Computer Vision一样，无需训练，直接调用。常用的预置模型有：
-
自定义模型（Custom Models）------专属模型
当你的文档不在预置模型覆盖范围内时（比如公司内部的报销单、特殊行业表格），你可以训练自己的模型。
训练要求：
- 需要5-50份标注好的文档样本（依复杂度而定）
- 可以使用Document Intelligence Studio的可视化标注界面，无需写代码
- 支持组合模型：把多个自定义模型打包成一个，自动路由到正确的模型处理
- 通用文档分析（Layout/General Document）------ 理解文档结构
布局分析：提取段落、标题、表格、选择标记的位置和层级关系
语义分块：将文档分解为语义完整的"块"，这对后面做RAG（检索增强生成）至关重要
实操
首先安装必要的SDK。
python
pip install azure-ai-documentintelligence使用下面的代码，修改必要的信息。
python
from azure.ai.documentintelligence import DocumentIntelligenceClient
from azure.core.credentials import AzureKeyCredential
import os
# 配置（替换成你的）
endpoint = "https://XXXX.cognitiveservices.azure.com/"
key = "你的密码"
def analyze_invoice(file_path):
"""识别发票，提取关键信息"""
# 1. 创建客户端
client = DocumentIntelligenceClient(
endpoint=endpoint,
credential=AzureKeyCredential(key)
)
# 2. 打开文件
with open(file_path, "rb") as f:
file_data = f.read()
# 3. 调用预置发票模型
poller = client.begin_analyze_document(
"prebuilt-invoice",
body=file_data,
content_type="application/pdf" # 如果图片是 image/jpeg
)
result = poller.result()
# 4. 提取字段
if result.documents:
doc = result.documents[0]
fields = doc.fields
# 安全提取（部分字段可能不存在）
invoice_id = fields.get("InvoiceId", {}).get("valueString") if fields.get("InvoiceId") else "N/A"
vendor_name = fields.get("VendorName", {}).get("valueString") if fields.get("VendorName") else "N/A"
total = fields.get("InvoiceTotal", {}).get("valueCurrency", {}).get("amount") if fields.get("InvoiceTotal") else "N/A"
due_date = fields.get("DueDate", {}).get("valueDate") if fields.get("DueDate") else "N/A"
print(f"发票号: {invoice_id}")
print(f"供应商: {vendor_name}")
print(f"总金额: {total}")
print(f"到期日: {due_date}")
# 提取明细项（如果有）
if fields.get("Items"):
print("\n明细项:")
for item in fields["Items"].get("valueArray", []):
desc = item.get("valueObject", {}).get("Description", {}).get("valueString", "")
amount = item.get("valueObject", {}).get("Amount", {}).get("valueCurrency", {}).get("amount", "")
print(f" - {desc}: {amount}")
else:
print("未识别到任何文档")
# 使用示例
analyze_invoice("invoice_sample.pdf")下面是从网上下载的示例发票。
执行后可以看到提取信息。
接下来再尝试另外一个简单的实操
布局分析（Layout Model）------ 理解文档结构
因为上面的发票结构也以表格为主，我们尝试用代码分析这个表格结构
python
from azure.ai.documentintelligence import DocumentIntelligenceClient
from azure.core.credentials import AzureKeyCredential
endpoint = "https://xxxxx.cognitiveservices.azure.com/"
key = "xxxxx"
client = DocumentIntelligenceClient(endpoint=endpoint, credential=AzureKeyCredential(key))
with open("文件名字需要放到跟代码同一个目录下.pdf", "rb") as f:
poller = client.begin_analyze_document(
"prebuilt-layout", # 使用布局模型
body=f.read(),
content_type="application/pdf"
)
result = poller.result()
# 提取表格
for table in result.tables:
print(f"表格有 {table.row_count} 行, {table.column_count} 列")
for cell in table.cells:
print(f" 单元格 [{cell.row_index},{cell.column_index}]: {cell.content}")
这种方式看似简单，但是对于后续的RAG 使用而言是非常必要的。
小结
我们从Computer Vision OCR（提取文字）进阶到Document Intelligence（提取含义）。前者是基础，后者是真正的业务价值所在。比如OCR只是提取文字，Document Intelligence是理解文档结构并提取语义信息。发票上有"500"，OCR只知道这是文字"500"，Document Intelligence知道这是"InvoiceTotal"字段的值，类型是金额。
当然真正的使用产生价值还需要一些进阶功能，我们在下一文继续。