跳至主要內容

Azure 文件智慧 OCR

總覽​

屬性詳細資訊
說明Azure Document Intelligence（前稱 Form Recognizer）提供進階文件分析功能，包括文字擷取、版面分析與結構辨識
LiteLLM 上的提供者路由azure_ai/doc-intelligence/
支援的操作/ocr
提供者文件連結Azure Document Intelligence ↗

使用 Azure Document Intelligence 強大的預建模型擷取文字並分析文件結構。

快速開始​

LiteLLM SDK​

SDK Usage
import litellm
import os

# Set environment variables
os.environ["AZURE_DOCUMENT_INTELLIGENCE_API_KEY"] = "your-api-key"
os.environ["AZURE_DOCUMENT_INTELLIGENCE_ENDPOINT"] = "https://your-resource.cognitiveservices.azure.com"

# OCR with PDF URL
response = litellm.ocr(
    model="azure_ai/doc-intelligence/prebuilt-layout",
    document={
        "type": "document_url",
        "document_url": "https://example.com/document.pdf"
    }
)

# Access extracted text
for page in response.pages:
    print(f"Page {page.index}:")
    print(page.markdown)

LiteLLM PROXY​

proxy_config.yaml
model_list:
  - model_name: azure-doc-intel
    litellm_params:
      model: azure_ai/doc-intelligence/prebuilt-layout
      api_key: os.environ/AZURE_DOCUMENT_INTELLIGENCE_API_KEY
      api_base: os.environ/AZURE_DOCUMENT_INTELLIGENCE_ENDPOINT
    model_info:
      mode: ocr

啟動 Proxy

litellm --config proxy_config.yaml

透過 Proxy 呼叫 OCR

cURL Request
curl -X POST http://localhost:4000/ocr \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer your-api-key" \
  -d '{
    "model": "azure-doc-intel",
    "document": {
      "type": "document_url",
      "document_url": "https://arxiv.org/pdf/2201.04234"
    }
  }'

運作方式​

Azure Document Intelligence 使用非同步 API 模式。LiteLLM AI Gateway 會自動處理請求/回應轉換與輪詢。

完整流程圖​

LiteLLM 為您完成的工作​

當您透過 SDK 呼叫 litellm.ocr() 或透過 Proxy 呼叫 /ocr 時：

  1. 請求轉換：將 Mistral OCR format 轉換 → Azure Document Intelligence format
  2. 提交文件：將轉換後的請求送至 Azure DI API
  3. 處理 202 回應：從回應標頭擷取 Operation-Location URL
  4. 自動輪詢：
    • 依據 retry-after 標頭指定的間隔輪詢 operation URL（預設：2 秒）
    • 持續直到狀態為 succeeded 或 failed
    • 透過 retry-after 標頭遵守 Azure 的速率限制
  5. 回應轉換：將 Azure DI format 轉換 → Mistral OCR format
  6. 返回結果：將統一的 Mistral format 回應送回用戶端

輪詢設定：

  • 預設逾時：120 秒
  • 可透過 AZURE_OPERATION_POLLING_TIMEOUT 環境變數設定
  • 依呼叫類型使用 sync（time.sleep()）或 async（await asyncio.sleep()）
資訊

典型處理時間：2-10 秒，視文件大小與複雜度而定

支援的模型​

Azure Document Intelligence 提供多種針對不同使用情境最佳化的預建模型：

最適合需要保留結構的一般文件 OCR。

Layout Model - SDK
import litellm
import os

os.environ["AZURE_DOCUMENT_INTELLIGENCE_API_KEY"] = "your-api-key"
os.environ["AZURE_DOCUMENT_INTELLIGENCE_ENDPOINT"] = "https://your-resource.cognitiveservices.azure.com"

response = litellm.ocr(
    model="azure_ai/doc-intelligence/prebuilt-layout",
    document={
        "type": "document_url",
        "document_url": "https://example.com/document.pdf"
    }
)

功能：

  • 具有 markdown 格式的文字擷取
  • 表格偵測與擷取
  • 文件結構分析
  • 段落與章節辨識

價格： 每 1,000 頁 $10

prebuilt-read​

針對從文件讀取文字進行最佳化——速度最快且成本效益最高。

Read Model - SDK
import litellm
import os

os.environ["AZURE_DOCUMENT_INTELLIGENCE_API_KEY"] = "your-api-key"
os.environ["AZURE_DOCUMENT_INTELLIGENCE_ENDPOINT"] = "https://your-resource.cognitiveservices.azure.com"

response = litellm.ocr(
    model="azure_ai/doc-intelligence/prebuilt-read",
    document={
        "type": "document_url",
        "document_url": "https://example.com/document.pdf"
    }
)

功能：

  • 快速文字擷取
  • 針對重度閱讀型文件最佳化
  • 基本結構辨識

價格： 每 1,000 頁 $1.50

prebuilt-document​

具有鍵值組的一般用途文件分析。

Document Model - SDK
import litellm
import os

os.environ["AZURE_DOCUMENT_INTELLIGENCE_API_KEY"] = "your-api-key"
os.environ["AZURE_DOCUMENT_INTELLIGENCE_ENDPOINT"] = "https://your-resource.cognitiveservices.azure.com"

response = litellm.ocr(
    model="azure_ai/doc-intelligence/prebuilt-document",
    document={
        "type": "document_url",
        "document_url": "https://example.com/document.pdf"
    }
)

價格： 每 1,000 頁 $10

文件類型​

Azure Document Intelligence 支援各種文件格式。

PDF 文件​

PDF OCR
response = litellm.ocr(
    model="azure_ai/doc-intelligence/prebuilt-layout",
    document={
        "type": "document_url",
        "document_url": "https://example.com/document.pdf"
    }
)

圖片文件​

Image OCR
response = litellm.ocr(
    model="azure_ai/doc-intelligence/prebuilt-layout",
    document={
        "type": "image_url",
        "image_url": "https://example.com/image.png"
    }
)

支援的圖片格式： JPEG、PNG、BMP、TIFF

Base64 編碼文件​

Base64 PDF
import base64

# Read and encode PDF
with open("document.pdf", "rb") as f:
    pdf_base64 = base64.b64encode(f.read()).decode()

response = litellm.ocr(
    model="azure_ai/doc-intelligence/prebuilt-layout",
    document={
        "type": "document_url",
        "document_url": f"data:application/pdf;base64,{pdf_base64}"
    }
)

回應格式​

Response Structure
# Response has the following structure
response.pages          # List of pages with extracted text
response.model          # Model used
response.object         # "ocr"
response.usage_info     # Token usage information

# Access page content
for page in response.pages:
    print(f"Page {page.index}:")
    print(page.markdown)
    
    # Page dimensions (in pixels)
    if page.dimensions:
        print(f"Width: {page.dimensions.width}px")
        print(f"Height: {page.dimensions.height}px")

非同步支援​

Async Usage
import litellm
import asyncio

async def process_document():
    response = await litellm.aocr(
        model="azure_ai/doc-intelligence/prebuilt-layout",
        document={
            "type": "document_url",
            "document_url": "https://example.com/document.pdf"
        }
    )
    return response

# Run async function
response = asyncio.run(process_document())

成本追蹤​

LiteLLM 會自動追蹤 Azure Document Intelligence OCR 的成本：

模型每 1,000 頁成本
prebuilt-read$1.50
prebuilt-layout$10.00
prebuilt-document$10.00
View Cost
response = litellm.ocr(
    model="azure_ai/doc-intelligence/prebuilt-layout",
    document={"type": "document_url", "document_url": "https://..."}
)

# Access cost information
print(f"Cost: ${response._hidden_params.get('response_cost', 0)}")

其他資源​

🚅
LiteLLM Enterprise
為正式環境打造的 SSO/SAML、稽核記錄、支出追蹤、多團隊管理與防護欄。
深入瞭解 →