GSP925

Ringkasan

Document AI API adalah solusi pemahaman dokumen yang mengambil data tidak terstruktur, seperti dokumen dan email, lalu memudahkan data untuk dipahami, dianalisis, dan digunakan.

Di lab ini, Anda akan menggunakan Document AI API dengan Python untuk membuat berbagai pemroses, termasuk pemroses formulir umum dan pemroses OCR Dokumen, lalu melakukan panggilan sinkron dan asinkron ke API menggunakan Python. Lab ini membuat instance Vertex AI Workbench untuk Anda yang akan Anda gunakan dengan notebook JupyterLab untuk bekerja dengan modul Klien Python untuk Document AI.

Tujuan

Di lab ini, Anda akan mempelajari cara:

• Mengaktifkan Document AI API dan membuat pemroses.
• Menginstal library klien untuk Python pada instance Vertex AI Workbench.
• Mengurai data dari formulir yang dipindai menggunakan Python untuk melakukan panggilan API sinkron.
• Mengurai data dari formulir yang dipindai menggunakan Python untuk melakukan panggilan API asinkron.

Penyiapan dan persyaratan

Sebelum mengklik tombol Mulai Lab

Baca petunjuk ini. Lab memiliki timer dan Anda tidak dapat menjedanya. Timer, yang dimulai saat Anda mengklik Start Lab, akan menampilkan durasi ketersediaan resource Google Cloud untuk Anda.

Lab praktik ini dapat Anda gunakan untuk melakukan sendiri aktivitas lab di lingkungan cloud sungguhan, bukan di lingkungan demo atau simulasi. Untuk mengakses lab ini, Anda akan diberi kredensial baru yang bersifat sementara dan dapat digunakan untuk login serta mengakses Google Cloud selama durasi lab.

Untuk menyelesaikan lab ini, Anda memerlukan:

• Akses ke browser internet standar (disarankan browser Chrome).

Catatan: Gunakan jendela Samaran atau browser pribadi untuk menjalankan lab ini. Hal ini akan mencegah konflik antara akun pribadi Anda dan akun Siswa yang dapat menyebabkan tagihan ekstra pada akun pribadi Anda.

• Waktu untuk menyelesaikan lab. Ingat, setelah dimulai, lab tidak dapat dijeda.

Catatan: Jika Anda sudah memiliki project atau akun pribadi Google Cloud, jangan menggunakannya untuk lab ini agar terhindar dari tagihan ekstra pada akun Anda.

Mengaktifkan Cloud Shell

Cloud Shell adalah mesin virtual yang dilengkapi dengan berbagai alat pengembangan. Mesin virtual ini menawarkan direktori beranda persisten berkapasitas 5 GB dan berjalan di Google Cloud. Cloud Shell menyediakan akses command-line untuk resource Google Cloud Anda.

1. Klik Activate Cloud Shell di bagian atas konsol Google Cloud.

Setelah terhubung, Anda sudah diautentikasi, dan project ditetapkan ke PROJECT_ID Anda. Output berisi baris yang mendeklarasikan PROJECT_ID untuk sesi ini:

Project Cloud Platform Anda dalam sesi ini disetel ke YOUR_PROJECT_ID

gcloud adalah alat command line untuk Google Cloud. Alat ini sudah terinstal di Cloud Shell dan mendukung pelengkapan command line.

2. (Opsional) Anda dapat menampilkan daftar nama akun yang aktif dengan perintah ini:

gcloud auth list

3. Klik Authorize.

4. Output Anda sekarang akan terlihat seperti ini:

Output:

ACTIVE: * ACCOUNT: student-01-xxxxxxxxxxxx@qwiklabs.net Untuk menyetel akun aktif, jalankan: $ gcloud config set account `ACCOUNT`

5. (Opsional) Anda dapat menampilkan daftar project ID dengan perintah ini:

gcloud config list project

Output:

[core] project = <project_ID>

Contoh output:

[core] project = qwiklabs-gcp-44776a13dea667a6 Catatan: Untuk mendapatkan dokumentasi gcloud yang lengkap di Google Cloud, baca panduan ringkasan gcloud CLI.

Tugas 1. Membuat dan menguji pemroses formulir umum

Dalam tugas ini, Anda akan mengaktifkan Document AI API dan membuat serta menguji pemroses formulir umum. Pemroses formulir umum akan memproses semua jenis dokumen dan mengekstrak seluruh konten teks yang dapat diidentifikasi dalam dokumen tersebut. Pemroses ini tidak terbatas pada teks cetak, tetapi juga dapat memproses teks tulisan tangan dan teks dengan orientasi apa pun, mendukung sejumlah bahasa, dan memahami bagaimana elemen data formulir saling berhubungan sehingga Anda dapat mengekstrak key-value pair untuk kolom formulir yang memiliki label teks.

Mengaktifkan Cloud Document AI API

Sebelum dapat mulai menggunakan Document AI, Anda harus mengaktifkan API.

1. Pada Konsol Cloud, dari Navigation menu (), klik APIs & services > Library.

2. Cari Cloud Document AI API, lalu klik tombol Enable untuk menggunakan API di project Google Cloud Anda.

Jika Cloud Document AI API telah diaktifkan, Anda akan melihat tombol Manage dan dapat melanjutkan hingga akhir lab.

Memastikan Cloud Document AI API telah diaktifkan.

Membuat pemroses formulir umum

Membuat pemroses Document AI menggunakan parser formulir Document AI.

1. Di konsol, pada Navigation menu (), klik Document AI > Overview.

2. Klik Explore processor dan pilih Form Parser, yang merupakan salah satu jenis pemroses umum.

3. Tetapkan nama pemroses sebagai form-parser, lalu pilih region US (United States) dari daftar.

4. Klik Create untuk membuat pemroses form-parser umum.

Langkah ini akan membuat pemroses dan kembali ke halaman detail pemroses yang akan menampilkan ID, status, dan endpoint prediksi pemroses.

5. Catat ID Pemroses karena Anda perlu memperbarui variabel di notebook JupyterLab dengan ID Pemroses di tugas berikutnya.

Tugas 2. Mengonfigurasi instance Vertex AI Workbench untuk melakukan panggilan Document AI API

Selanjutnya, hubungkan ke JupyterLab yang berjalan di instance Vertex AI Workbench yang telah dibuat untuk Anda saat lab ini dimulai, lalu konfigurasi lingkungan tersebut untuk menjalankan tugas lab yang tersisa.

1. Di Konsol Google Cloud, pada Navigation menu, klik Vertex AI > Workbench.

2. Cari instance lalu klik tombol Open JupyterLab.

Antarmuka JupyterLab untuk instance Workbench Anda akan terbuka di tab browser baru.

3. Klik Terminal untuk membuka shell terminal di dalam instance Vertex AI Workbench.

4. Masukkan perintah berikut di shell terminal untuk mengimpor file lab ke instance Vertex AI Workbench Anda:

gsutil cp {{{project_0.startup_script.notebook_files_path|notebook_files_path}}} .

5. Masukkan perintah berikut di shell terminal untuk menginstal library klien Python yang diperlukan untuk Document AI dan library lain yang diperlukan:

python -m pip install --upgrade google-cloud-core google-cloud-documentai google-cloud-storage prettytable

Anda akan melihat output yang menandakan bahwa library telah berhasil diinstal.

Catatan: Jika terjadi error terkait izin, jalankan ulang perintah untuk memastikan penginstalan library berhasil. Diperlukan waktu beberapa menit agar izin diterapkan.

6. Masukkan perintah berikut di shell terminal untuk mengimpor contoh formulir informasi kesehatan:

gsutil cp {{{project_0.startup_script.health_intake_form_path|form_path}}} form.pdf

7. Pada antarmuka notebook, buka notebook JupyterLab bernama.

8. Pada dialog Select Kernel, pilih Python 3 dari daftar kernel yang tersedia.

Memastikan instance Vertex AI telah disiapkan untuk panggilan Document AI API sinkron.

Tugas 3. Membuat permintaan dokumen proses sinkron

Buatlah panggilan dokumen proses menggunakan panggilan Document AI API sinkron. Untuk memproses dokumen dalam jumlah besar sekaligus, Anda juga dapat menggunakan API asinkron yang akan Anda gunakan pada tugas selanjutnya.

Meninjau kode Python untuk panggilan Document AI API sinkron

Luangkan waktu sejenak untuk meninjau kode Python di notebook .

Blok kode pertama mengimpor library yang diperlukan dan melakukan inisialisasi beberapa variabel.

from google.cloud import documentai_v1beta3 as documentai from google.cloud import storage from prettytable import PrettyTable project_id = %system gcloud config get-value core/project project_id = project_id[0] location = 'us' file_path = 'form.pdf'

Sel kode Set your Processor ID menetapkan ID Pemroses yang harus Anda tetapkan secara manual sebelum dapat memproses dokumen dengan notebook.

processor_id = 'PROCESSOR_ID' # TODO: Replace with a valid Processor ID

Untuk langkah ini, Anda akan memerlukan ID pemroses Document AI dari pemroses yang dibuat di Tugas 1.

Tips: Jika Anda tidak menyimpannya, buka Navigation menu () di tab Konsol Cloud, klik Document AI > My processors, lalu klik nama pemroses untuk membuka halaman detailnya. Dari sini, Anda dapat menyalin ID pemroses.

Sel kode Process Document Function menentukan fungsi process_document yang digunakan untuk melakukan panggilan sinkron ke pemroses Document AI. Fungsi ini membuat objek klien Document AI API.

Nama pemroses yang diperlukan oleh panggilan API dibuat menggunakan parameter project_id,locations, dan processor_id dan contoh dokumen PDF dibaca dan disimpan dalam struktur mime_type.

Fungsi ini membuat objek permintaan yang berisi nama lengkap pemroses dokumen dan menggunakan objek tersebut sebagai parameter untuk panggilan sinkron ke klien Document AI API. Jika permintaan berhasil, objek dokumen yang ditampilkan akan mencakup properti yang berisi entity yang terdeteksi dalam formulir.

def process_document( project_id=project_id, location=location, processor_id=processor_id, file_path=file_path ): # Instantiates a client client = documentai.DocumentProcessorServiceClient() # The full resource name of the processor, e.g.: # projects/project-id/locations/location/processor/processor-id # You must create new processors in the Cloud Console first name = f"projects/{project_id}/locations/{location}/processors/{processor_id}" with open(file_path, "rb") as image: image_content = image.read() # Read the file into memory document = {"content": image_content, "mime_type": "application/pdf"} # Configure the process request request = {"name": name, "document": document} # Use the Document AI client to process the sample form result = client.process_document(request=request) return result.document

Sel kode Process Document memanggil fungsi process_document, menyimpan respons di variabel document, dan mencetak teks mentah yang telah dideteksi. Semua pemroses akan melaporkan beberapa data untuk properti document.text.

document=process_document() # print all detected text. # All document processors will display the text content print("Document processing complete.") print("Text: {}".format(document.text))

Sel kode Get Text Function menentukan fungsi get_text() yang mengambil teks untuk elemen yang dinamai menggunakan properti text_anchor, start_index, dan end_index dari text_segments elemen bernama tersebut. Fungsi ini digunakan untuk mengambil nama dan nilai formulir untuk data formulir jika data tersebut ditampilkan oleh pemroses.

def get_text(doc_element: dict, document: dict): """ Document AI identifies form fields by their offsets in document text. This function converts offsets to text snippets. """ response = "" # If a text segment spans several lines, it will # be stored in different text segments. for segment in doc_element.text_anchor.text_segments: start_index = ( int(segment.start_index) if segment in doc_element.text_anchor.text_segments else 0 ) end_index = int(segment.end_index) response += document.text[start_index:end_index] return response

Sel Display Form Data melakukan iterasi pada semua halaman yang telah dideteksi dan untuk setiap form_field yang dideteksi, sel ini menggunakan fungsi get_text() untuk mengambil nama dan nilai kolom. Nilai tersebut kemudian ditampilkan, beserta skor keyakinan yang sesuai. Data formulir akan ditampilkan oleh pemroses yang menggunakan parser formulir umum atau parser khusus, tetapi tidak akan ditampilkan oleh pemroses yang dibuat dengan parser OCR Dokumen.

document_pages = document.pages print("Form data detected:\n") # For each page fetch each form field and display fieldname, value and confidence scores for page in document_pages: print("Page Number:{}".format(page.page_number)) for form_field in page.form_fields: fieldName=get_text(form_field.field_name,document) nameConfidence = round(form_field.field_name.confidence,4) fieldValue = get_text(form_field.field_value,document) valueConfidence = round(form_field.field_value.confidence,4) print(fieldName+fieldValue +" (Confidence Scores: (Name) "+str(nameConfidence)+", (Value) "+str(valueConfidence)+")\n")

Sel Display Entity Data mengekstrak data entity dari objek dokumen dan menampilkan jenis entity, nilai, dan properti keyakinan untuk setiap entity yang terdeteksi. Data entity hanya ditampilkan oleh pemroses yang menggunakan parser khusus Document AI seperti parser Biaya Pengadaan. Parser formulir umum dan parser OCR Dokumen tidak akan menampilkan data entity.

if 'entities' in dir(document): entities = document.entities # Grab each key/value pair and their confidence scores. table = PrettyTable(['Type', 'Value', 'Confidence']) for entity in entities: entity_type = entity.type_ value = entity.mention_text confience = round(entity.confidence,4) table.add_row([entity_type, value, confience]) print(table) else: print("Document does not contain entity data.")

Tugas 4. Menjalankan kode Python Document AI sinkron

Jalankan kode untuk melakukan panggilan sinkron ke Document AI API di notebook JupyterLab.

1. Pada sel kode Set your Processor ID kedua, ganti teks placeholder PROCESSOR_ID dengan ID Pemroses untuk pemroses form-parser yang telah Anda buat di langkah sebelumnya.

2. Pilih sel pertama, klik menu Run, lalu klik Run Selected Cell and All Below untuk menjalankan semua kode di notebook.

Jika Anda telah menggunakan contoh formulir informasi kesehatan, Anda akan melihat data seperti berikut untuk sel output pada data formulir:

Form data detected: Page Number:1 Phone #: (906) 917-3486 (Confidence Scores: (Name) 1.0, (Value) 1.0) ... Date: 9/14/19 (Confidence Scores: (Name) 0.9999, (Value) 0.9999) ... Name: Sally Walker (Confidence Scores: (Name) 0.9973, (Value) 0.9973) ...

Jika Anda berhasil membuat pemroses khusus, sel terakhir akan menampilkan data entity. Jika gagal, tabel kosong akan ditampilkan.

3. Pada menu JupyterLab, klik File, lalu klik Save Notebook untuk menyimpan progres Anda.

Memastikan dokumen telah diproses menggunakan Cloud Document AI API sinkron.

Tugas 5. Membuat pemroses OCR Dokumen untuk Document AI

Dalam tugas ini, Anda akan membuat pemroses Document AI menggunakan parser OCR Dokumen umum.

1. Dari Navigation menu, klik Document AI > Overview.

2. Klik Explore Processor, lalu klik Create Processor di bagian Document OCR. Ini adalah jenis pemroses umum.

3. Tetapkan nama pemroses sebagai ocr-processor, lalu pilih region US (United States) dari daftar.

4. Klik Create untuk membuat pemroses.

5. Catat ID Pemroses. Anda akan memerlukannya di tugas selanjutnya.

Tugas 6. Menyiapkan lingkungan untuk panggilan Document AI API asinkron

Dalam tugas ini, Anda akan mengupload contoh notebook JupyterLab untuk menguji panggilan Document AI API asinkron dan menyalin beberapa contoh formulir untuk lab ke Cloud Storage untuk pemrosesan asinkron.

1. Klik tab Terminal untuk membuka ulang shell terminal di dalam instance Vertex AI Workbench.

2. Buat bucket Cloud Storage untuk dokumen input dan salin contoh formulir W2 ke dalam bucket:

export PROJECT_ID="$(gcloud config get-value core/project)" export BUCKET="${PROJECT_ID}"_doc_ai_async gsutil mb gs://${BUCKET} gsutil -m cp {{{project_0.startup_script.async_files_path|async_files_path}}} gs://${BUCKET}/input

3. Pada antarmuka notebook, buka notebook JupyterLab bernama.

4. Pada dialog Select Kernel, pilih Python 3 dari daftar kernel yang tersedia.

Memastikan instance Vertex AI telah disiapkan untuk panggilan Document AI API asinkron.

Tugas 7. Membuat permintaan dokumen proses asinkron

Meninjau kode Python untuk panggilan Document AI API asinkron

Luangkan waktu sejenak untuk meninjau kode Python di notebook .

Sel kode pertama mengimpor library yang diperlukan.

from google.cloud import documentai_v1beta3 as documentai from google.cloud import storage import re import os import pandas as pd import simplejson as json

Sel kode Set your Processor ID menetapkan ID Pemroses yang harus Anda tetapkan secara manual sebelum dapat memproses dokumen dengan notebook.

processor_id = "PROCESSOR_ID" # TODO: Replace with a valid Processor ID

Sel kode Set your variables menentukan parameter yang akan digunakan untuk melakukan panggilan asinkron, termasuk lokasi bucket Cloud Storage input dan output yang akan digunakan untuk data sumber dan file output. Anda akan memperbarui nilai placeholder di sel ini untuk PROJECT_ID dan PROCESSOR_ID di bagian selanjutnya pada lab ini sebelum Anda menjalankan kode tersebut. Variabel lainnya berisi nilai default untuk lokasi pemroses, bucket Cloud Storage input, dan bucket Cloud Storage output yang tidak perlu diubah.

project_id = %system gcloud config get-value core/project project_id = project_id[0] location = 'us' # Replace with 'eu' if processor does not use 'us' location gcs_input_bucket = project_id+"_doc_ai_async" # Bucket name only, no gs:// prefix gcs_input_prefix = "input/" # Input bucket folder e.g. input/ gcs_output_bucket = project_id+"_doc_ai_async" # Bucket name only, no gs:// prefix gcs_output_prefix = "output/" # Input bucket folder e.g. output/ timeout = 300

Sel kode Define Google Cloud client objects menginisialisasi klien Cloud Storage dan Document AI.

client_options = {"api_endpoint": "{}-documentai.googleapis.com".format(location)} client = documentai.DocumentProcessorServiceClient(client_options=client_options) storage_client = storage.Client()

Sel kode Create input configuration membuat parameter array konfigurasi input untuk data sumber yang akan diteruskan ke permintaan Document AI asinkron sebagai konfigurasi input. Array ini menyimpan lokasi sumber Cloud Storage, dan jenis MIME untuk setiap file yang ditemukan di lokasi Cloud Storage input.

blobs = storage_client.list_blobs(gcs_input_bucket, prefix=gcs_input_prefix) input_configs = [] print("Input Files:") for blob in blobs: if ".pdf" in blob.name: source = "gs://{bucket}/{name}".format(bucket = gcs_input_bucket, name = blob.name) print(source) input_config = documentai.types.document_processor_service.BatchProcessRequest.BatchInputConfig( gcs_source=source, mime_type="application/pdf" ) input_configs.append(input_config)

Sel kode Create output configuration membuat parameter output untuk permintaan asinkron yang berisi lokasi bucket Cloud Storage output dan menyimpannya sebagai konfigurasi output batch Document AI.

destination_uri = f"gs://{gcs_output_bucket}/{gcs_output_prefix}" output_config = documentai.types.document_processor_service.BatchProcessRequest.BatchOutputConfig( gcs_destination=destination_uri )

Sel kode Create the Document AI API request membangun objek permintaan batch processing Document AI asinkron menggunakan objek konfigurasi input dan output.

name = f"projects/{project_id}/locations/{location}/processors/{processor_id}" request = documentai.types.document_processor_service.BatchProcessRequest( name=name, input_configs=input_configs, output_config=output_config, )

Sel kode Start the batch (asynchronous) API operation membuat permintaan proses dokumen asinkron dengan meneruskan objek permintaan ke metode batch_process_documents(). Ini adalah panggilan asinkron, jadi Anda menggunakan metode result() untuk memaksa notebook menunggu sampai tugas asinkron di latar belakang selesai.

operation = client.batch_process_documents(request) # Wait for the operation to finish operation.result(timeout=timeout) print ("Batch process completed.")

Sel Fetch list of output files menampilkan objek di lokasi bucket output seperti yang ditentukan di variabel destination_uri.

Sel Display detected text from asynchronous output JSON files memuat setiap file JSON output yang ditemukan sebagai objek dokumen Document AI dan data teks yang terdeteksi oleh pemroses OCR Dokumen akan ditampilkan.

Sel Display entity data akan menampilkan data entity yang ditemukan. Namun, data entity hanya tersedia untuk pemroses yang dibuat menggunakan parser khusus. Data entity tidak akan ditampilkan dengan parser OCR Document AI umum yang digunakan dalam tugas ini.

Menjalankan kode Python Document AI asinkron

Gunakan kode contoh yang tersedia di notebook Jupyterlab untuk memproses dokumen secara asinkron menggunakan permintaan batch processing Document AI.

1. Pada sel kode kedua, ganti teks placeholder PROCESSOR_ID dengan ID Pemroses untuk pemroses form-parser yang telah Anda buat di langkah sebelumnya.

2. Pilih sel pertama, klik menu Run, lalu klik Run Selected Cell and All Below untuk menjalankan semua kode di notebook.

3. Saat sel kode dijalankan, Anda dapat melihat notebook untuk meninjau kode dan komentar yang menjelaskan bagaimana objek permintaan asinkron dibuat dan digunakan.

Notebook akan menunggu beberapa saat agar operasi batch processing asinkron selesai pada sel kode Start the batch (asynchronous) API operation. Meskipun panggilan API batch processing itu sendiri bersifat asinkron, notebook menggunakan metode resultuntuk memaksa notebook menunggu hingga panggilan asinkron selesai sebelum menghitung dan menampilkan data output.

Jika tugas asinkron memakan waktu lebih lama dari yang diperkirakan, dan waktunya habis, Anda mungkin harus menjalankan ulang sel yang tersisa untuk menampilkan output. Sel tersebut adalah sel-sel setelah sel Start the batch (asynchronous) API operation.

Output Anda akan berisi teks yang mencantumkan data Document AI yang terdeteksi di setiap file. Parser OCR Dokumen tidak mendeteksi formulir atau data entity, jadi tidak akan ada formulir atau data entity yang dibuat. Jika Anda dapat membuat pemroses khusus, Anda juga akan melihat data entity ditampilkan oleh sel akhir.

4. Pada menu JupyterLab, klik File, lalu klik Save Notebook untuk menyimpan progres Anda.

Document processing complete. Text: FakeDoc M.D. HEALTH INTAKE FORM Please fill out the questionnaire carefully. The information you provide will be used to complete your health profile and will be kept confidential. Date: Sally Walker Name: 9/14/19 ... Memastikan dokumen telah diproses menggunakan Cloud Document AI API asinkron.

Selamat

Anda telah berhasil melakukan panggilan sinkron dan asinkron ke Document AI API. Di lab ini, Anda telah mengaktifkan Document AI API dan membuat pemroses. Anda telah menginstal library klien untuk Python di instance Vertex AI Workbench, mengurai data dari formulir yang dipindai menggunakan Python untuk melakukan panggilan API sinkron, dan mengurai data dari formulir yang dipindai menggunakan Python untuk melakukan panggilan API asinkron.

Selesaikan Quest Anda

Lab mandiri ini merupakan bagian dari quest badge keahlian Detect Manufacturing Defects using Visual Inspection AI. Quest adalah serangkaian lab terkait yang membentuk jalur pembelajaran. Dengan menyelesaikan Quest ini, Anda mendapatkan badge sebagai pengakuan atas pencapaian Anda. Tampilkan badge di resume atau platform media sosial Anda, dan umumkan pencapaian Anda menggunakan hashtag #GoogleCloudBadge. Anda dapat membuat badge bersifat publik dan menautkannya di resume online atau akun media sosial. Daftar ke quest dan langsung dapatkan kredit penyelesaian jika Anda telah mengikuti lab ini. Lihat quest lain yang tersedia.

Langkah berikutnya/Pelajari lebih lanjut

• Untuk mempelajari lebih lanjut penggunaan Document AI API, baca panduan ini.

Sertifikasi dan pelatihan Google Cloud

...membantu Anda mengoptimalkan teknologi Google Cloud. Kelas kami mencakup keterampilan teknis dan praktik terbaik untuk membantu Anda memahami dengan cepat dan melanjutkan proses pembelajaran. Kami menawarkan pelatihan tingkat dasar hingga lanjutan dengan opsi on demand, live, dan virtual untuk menyesuaikan dengan jadwal Anda yang sibuk. Sertifikasi membantu Anda memvalidasi dan membuktikan keterampilan serta keahlian Anda dalam teknologi Google Cloud.

Manual Terakhir Diperbarui pada 8 Oktober 2024

Lab Terakhir Diuji pada 8 Oktober 2024

Hak cipta 2024 Google LLC Semua hak dilindungi undang-undang. Google dan logo Google adalah merek dagang dari Google LLC. Semua nama perusahaan dan produk lain mungkin adalah merek dagang masing-masing perusahaan yang bersangkutan.