Извличане на структурирани метаданни
На тази страница
Актуализация от 2 ноември 2026 г. — OCR. OCR 4.0 (
mistral-ocr-4-0) беше прекратен на 30 септември 2026 г. Използвайте OCR 4.1 (mistral-ocr-4-1), който е общодостъпен от 31 август на същата цена, или псевдонимаmistral-ocr-latest, който сочи към него от 16 юли. OCR 4.1 добавя оценки за надеждност на ниво блок. Допълнение от 3 ноември 2026 г.: Локален PDF файл се предава в base64 като{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; типътdocument_base64от по-старите примери не съществува нито в документацията, нито в SDKmistralaiи тези примери биха се провалили. Източници: OCR Processor · Document QnA. Коригирано на 3 ноември 2026 г.: Предишният код четешеpage.document_annotationстраница по страница; в SDKmistralaiверсия 3.7.0 анотацията на документа е едно поле в отговора (response.document_annotation), а анотацията на изображението се чете отimage.image_annotation.
Извлечете точно това, от което имате нужда
Анотирането на документи не се ограничава само до извличане на суров текст. То произвежда структурирани, типизирани и валидирани данни, готови за незабавна употреба във вашите системи: ред, вмъкнат в база данни; поле, сравнено с референтна стойност; или сума, проверена преди плащане. Предизвикателството се измества изцяло към проектирането на схемата, което е фокусът на този урок.
Структура вместо изравняване
Схемата за извличане трябва да отразява реалността на документа. Една фактура идва от юридическо лице с име на компания, номер SIRET (френски бизнес идентификатор) и адрес. Вместо да подравнявате осем полета като emetteur_rue, emetteur_ville, emetteur_siret, дефинирайте модел Address, след което модел LegalEntity, който го съдържа. Използвайте повторно тези градивни елементи както за издателя, така и за получателя. Изброението DocumentType играе подобна роля: то предотвратява измислянето на категория от модела и гарантира стойност, която можете да използвате в инструкция if или за насочване. Полетата Optional изрично посочват какво може да липсва, докато стойностите по подразбиране – като default="France" за държавата – избавят модела от необходимостта да guessed очевидното.
from pydantic import BaseModel, Field
from typing import Optional
from enum import Enum
class DocumentType(str, Enum):
INVOICE = "facture"
CONTRACT = "contrat"
REPORT = "rapport"
FORM = "formulaire"
OTHER = "autre"
class Address(BaseModel):
street: Optional[str] = Field(None, description="Numéro et street")
postal_code: Optional[str] = Field(None, description="Code postal")
city: Optional[str] = Field(None, description="Ville")
country: str = Field(default="France", description="Pays")
class LegalEntity(BaseModel):
name: str = Field(..., description="Raison sociale")
siret: Optional[str] = Field(None, description="Numéro SIRET")
address: Optional[Address] = Field(None, description="Address postale")
email: Optional[str] = Field(None, description="Address email")
class DocumentExtraction(BaseModel):
document_type: DocumentType = Field(
..., description="Type du document"
)
date: Optional[str] = Field(
None, description="Date principale (YYYY-MM-DD)"
)
emetteur: LegalEntity = Field(
..., description="Entité qui émet le document"
)
destinataire: Optional[LegalEntity] = Field(
None, description="Entité destinataire"
)
resume: str = Field(
..., description="Résumé en 2-3 phrases du contenu"
)
langue: str = Field(
..., description="Langue du document (code ISO 639-1)"
)
Повтарящи се данни
Много документи съдържат серии: редове за фактуриране, клаузи или статии за разходи. Моделирайте ги като list[...] от специализиран подмодел. Тогава моделът сканира таблицата на документа и произвежда толкова обекти InvoiceLine, колкото редове открие, включително описанието, количеството, единичната цена и общата сума за всеки от тях. Това ви предоставя достатъчно данни, за да преизчислите сами междинната сума и да проверите съгласуваността на документа, преди да го приемете.
from pydantic import BaseModel, Field
class InvoiceLine(BaseModel):
description: str = Field(..., description="Description du produit/service")
quantity: float = Field(..., description="Quantité")
unit_price: float = Field(..., description="Prix unitaire HT")
amount: float = Field(..., description="Montant total HT de la ligne")
class DetailedInvoice(BaseModel):
supplier: str = Field(..., description="Nom du supplier")
number: str = Field(..., description="Numéro de facture")
date: str = Field(..., description="Date (YYYY-MM-DD)")
lines: list[InvoiceLine] = Field(
..., description="Lignes de la facture"
)
subtotal_excl_tax: float = Field(..., description="Sous-total HT")
vat: float = Field(..., description="Montant TVA")
total_incl_tax: float = Field(..., description="Total TTC")
payment_terms: str = Field(
..., description="Conditions de paiement mentionnées"
)
Квадратчета за отметка и формуляри
Сканираните хартиени формуляри са областта, в която моделът блести. Поле от тип bool, сдвоено с етикета на въпроса, е достатъчно: моделът разпознава дали квадратчето е отметнато, извлича съответния въпрос и – което е от решаващо значение за медицинска или административна употреба – заключава, че липсва поле, вместо да измисля стойност, както демонстрира екипът на Mistral. Бележката “null if not provided” в описанието на телефонния номер не е декоративна; тя изрично разрешава празна стойност.
from pydantic import BaseModel, Field
class FormResponse(BaseModel):
question: str = Field(..., description="Intitulé de la question")
answer: bool = Field(..., description="True si coché, False sinon")
class MedicalForm(BaseModel):
patient_name: str = Field(..., description="Nom complet du patient")
age: Optional[int] = Field(None, description="Âge du patient")
sex: Optional[str] = Field(None, description="Sexe (M/F)")
patient_id: Optional[str] = Field(None, description="ID patient")
phone: Optional[str] = Field(
None, description="Numéro de téléphone (null si non fourni)"
)
responses: list[FormResponse] = Field(
..., description="Réponses aux questions du formulaire"
)
Изпълнение от край до край
Вземете примера с подробната фактура и го свържете с документ, кодиран в base64. Подканата за анотация допълва схемата, като уточнява типа на файла и набляга на вниманието към редовете за фактуриране; валидирането на Pydantic при връщане преобразува JSON низа в обект, който можете безопасно да обхождате.
import os
import json
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
document_annotation_format=response_format_from_pydantic_model(
DetailedInvoice
),
document_annotation_prompt=(
"Ce document est une invoice. Extrais toutes les lines "
"de facturation avec leurs montants."
)
)
# Extraction and validation
if ocr_response.document_annotation:
invoice = DetailedInvoice.model_validate_json(
ocr_response.document_annotation
)
print(f"Facture {invoice.numero} - {invoice.fournisseur}")
print(f"Date : {invoice.date}")
print(f"\nLignes :")
for line in invoice.lines:
print(f" - {line.description}: {line.quantite} x "
f"{line.prix_unitaire}€ = {line.montant}€")
print(f"\nTotal TTC : {invoice.total_incl_tax}€")
Лошите резултати от извличането почти винаги произтичат от схемата, рядко от модела. Прегледайте описанията си едно по едно: те трябва да бъдат точни и недвусмислени, тъй като моделът разчита единствено на тях, за да разбере вашите очаквания. Пишете ги на езика на вашите документи – френският работи перфектно за френски фактури – и запазете изброенията (enums) за полета с ограничени стойности, а подмоделите – за структури, които ще използвате повторно в различни схеми.
Ключови изводи
- Схемите на Pydantic позволяват извличане на типизирани и валидирани данни
- Използвайте сложни типове (списъци, изброявания, вложени модели) за прецизни извличания
- Моделът обработва надеждно незадължителни полета и квадратчета за отметка
- Описанията на полетата насочват извличането: бъдете точни и изрични
- Комбинирайте
document_annotation_promptсъс схемата за максимален контекст