核心功能
Azure Document Intelligence OCR 是微软Azure提供的云端文档智能识别解决方案，基于REST API v4.0 (2024-11-30)，可将非结构化文档转化为可用的结构化数据。
核心用法
- 单文件处理：通过
ocr_extract.py脚本支持PDF、图片、URL输入，可选prebuilt-read（纯文本）、prebuilt-layout（表格/版式）、prebuilt-invoice等8种预训练模型 - 批量处理：
batch_ocr.py支持多线程并发（--workers参数），可指定扩展名过滤和输出目录 - 灵活输出：支持纯文本、Markdown（保留表格结构）、JSON（完整API响应）三种格式
- 精准控制：支持页码范围提取（--pages 1-3,5），适配大文档场景
显著优点
1. 企业级准确性：微软自研OCR引擎，手写识别与印刷体混合处理能力突出
2. 多语言原生支持：CJK（中日韩）字符无需额外配置，非拉丁语系识别质量稳定
3. 垂直场景模型：发票、收据、身份证、名片、美国W-2税表等预训练模型开箱即用
4. 版式智能还原：prebuilt-layout模型可识别标题层级、段落关系、表格单元格合并
局限性与注意事项
- 云端依赖：需Azure订阅，离线场景不可用；大文件存在300秒超时限制
- 成本考量：按页计费，高频批量处理需关注API调用成本
- 隐私合规：敏感文档需确认数据跨境传输符合组织合规要求
- 格式边界：虽支持TIFF/BMP，但PDF/PNG/JPEG为最佳实践格式
适合人群
- 企业财务/采购部门：自动化发票、收据录入与审核
- 档案数字化团队：历史纸质文档批量OCR与结构化归档
- 开发者/数据工程师：需集成文档解析能力的应用开发
- 跨境业务场景：中日韩多语文档统一处理需求
常规风险
- API密钥泄露可能导致服务滥用与账单损失
- 网络波动影响大批量处理稳定性
- 复杂版式（如图文混排杂志）识别精度可能下降
- 手写体识别率受书写质量影响显著