Премини към основното съдържание
Български— Изберете език
Меню

Извличане на таблици и структура

Урок 6 от 16 Обновен 2 ноември 2026 г. Програмист
На тази страница
  1. Таблици: Историческата слабост на OCR
  2. Параметърът table_format
  3. Извличане на таблици като данни
  4. Преход към pandas за анализ
  5. Когато таблиците станат сложни
  6. Ключови изводи

Обновено на 2 ноември 2026 г. — OCR. OCR 4.0 (mistral-ocr-4-0) бе прекратен на 30 септември 2026 г. Използвайте OCR 4.1 (mistral-ocr-4-1), който е общодостъпен от 31 август на същата цена, или псевдонима mistral-ocr-latest, който сочи към него от 16 юли. OCR 4.1 добавя оценки за надеждност на ниво блок.

Таблици: Историческата слабост на OCR

Поискайте от Tesseract да извлече обобщаващата таблица от финансов отчет и ще получите поредица от редове, в които стойностите от колоната „Общо“ се смесват с тези от колоната „Количество“, без никаква връзка с оригиналните им редове. Проблемът не е в разпознаването на символи, което функционира добре, а в пълната липса на осведоменост за табличната структура. Традиционните решения четат отляво надясно и отгоре надолу, губейки връзките между колоните и редовете по пътя.

OCR 4 подходът към страницата е различен: той я вижда. Това визуално разбиране му позволява да възстанови таблицата като таблица, а не като сплескан текст.

Параметърът table_format

Контролирате изобразяването на таблиците чрез един единствен параметър, предаден при извикването на OCR:

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# Формат Markdown (препоръчителен за повечето случаи)
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://example.com/financial-report.pdf"
    },
    table_format="markdown"
)

Възможни са три стойности и изборът не е козметичен: той определя какво можете да направите с резултата впоследствие.

При null, стойността по подразбиране, таблиците се интегрират в потока на Markdown без специфично таблично форматиране. Тази настройка работи, когато не обработвате таблични документи и просто искате текст за индексиране.

При "markdown", всяка таблица се изобразява в стандартен формат с вертикални черти, което води до резултат, който е четим такъв, какъвто е, и лесен за анализиране:

| Product | Quantity | Unit Price | Total |
|---------|----------|------------|-------|
| Widget A | 100 | €12.50 | €1,250 |
| Widget B | 50 | €25.00 | €1,250 |
| **Total** | **150** | | **€2,500** |

При "html", таблицата се изобразява като пълен HTML, запазвайки обединяването на клетки и разширеното форматиране, което Markdown не може да изрази:

<table>
  <thead>
    <tr>
      <th>Product</th>
      <th>Quantity</th>
      <th>Unit Price</th>
      <th>Total</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>Widget A</td>
      <td>100</td>
      <td>€12.50</td>
      <td>€1,250</td>
    </tr>
  </tbody>
</table>

На практика Markdown покрива повечето нужди: индексиране за RAG, търсене или показване в редактор. Преминете към HTML веднага щом вашите таблици включват обединени клетки или резултатът трябва да бъде вграден в уеб страница. Запазете null само когато таблиците нямат значение във вашия работен процес – например при описателен отчет или кореспонденция.

Извличане на таблици като данни

Една Markdown таблица все още е текст. За да я превърнете в манипулируеми данни, трябва да я откриете в потока и да я разделите. Функцията по-долу преминава през редовете, идентифицира тези, принадлежащи на таблица, игнорира разделителния ред и затваря текущата таблица веднага щом се появи обикновен ред:

import os
import re
import json
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

def extract_markdown_tables(markdown: str) -> list[list[list[str]]]:
    """Извлича Markdown таблици и ги конвертира в списъци."""
    tables = []
    lines = markdown.split("\n")
    current_table = []
    in_table = False

    for line in lines:
        if "|" in line and line.strip().startswith("|"):
            # Игнориране на разделителния ред (|---|---|)
            if re.match(r"^\|[\s\-:|]+\|$", line.strip()):
                continue
            cells = [
                c.strip() for c in line.strip().strip("|").split("|")
            ]
            current_table.append(cells)
            in_table = True
        else:
            if in_table and current_table:
                tables.append(current_table)
                current_table = []
            in_table = False

    if current_table:
        tables.append(current_table)

    return tables


# Извличане на OCR с Markdown таблици
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://example.com/invoice.pdf"
    },
    table_format="markdown"
)

# Итерация през страниците и извличане на таблиците
for page in ocr_response.pages:
    tables = extract_markdown_tables(page.markdown)
    for i, table in enumerate(tables):
        print(f"Page {page.index + 1}, Table {i + 1}:")
        print(json.dumps(table, indent=2, ensure_ascii=False))

Крайната проверка извън цикъла не е декоративна: без нея таблица в края на страницата – често срещан случай за обобщение на фактура – никога няма да бъде добавена към списъка, тъй като няма да се появи обикновен ред, който да я затвори.

Преход към pandas за анализ

Списък със списъци е достатъчен за експортиране, но не и за изчисления. Конвертирането в DataFrame означава повишаване на първия ред до заглавки:

import pandas as pd

def tables_to_dataframes(markdown: str) -> list[pd.DataFrame]:
    """Конвертира Markdown таблици в pandas DataFrames."""
    tables = extract_markdown_tables(markdown)
    dataframes = []

    for table in tables:
        if len(table) < 2:
            continue
        headers = table[0]
        data = table[1:]
        df = pd.DataFrame(data, columns=headers)
        dataframes.append(df)

    return dataframes

# Употреба
for page in ocr_response.pages:
    dfs = tables_to_dataframes(page.markdown)
    for df in dfs:
        print(df.to_string())
        print()

Тестът len(table) < 2 филтрира фалшивите положителни резултати: изолиран ред, съдържащ вертикална черта, вътре в код блок или адрес, няма да произведе счупен, празен DataFrame. Имайте предвид, че стойностите остават низове; конвертирането на „€1,250“ в число все още зависи от Вас.

Когато таблиците станат сложни

Обединени клетки, двунивови заглавки или нередовни оформления изтласкват Markdown извън неговите изразителни граници. Преминете към HTML тогава и оставете BeautifulSoup и pandas да се справят с анализа:

from bs4 import BeautifulSoup
import pandas as pd

ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://example.com/complex-report.pdf"
    },
    table_format="html"
)

for page in ocr_response.pages:
    soup = BeautifulSoup(page.markdown, "html.parser")
    tables = soup.find_all("table")

    for table in tables:
        df = pd.read_html(str(table))[0]
        print(df)

Този подход Ви спестява писането на парсър: pd.read_html обработва атрибутите rowspan и colspan, които ръчното Ви разделяне би пропуснало. Цената е допълнителна зависимост и малко по-подробен изход – компромис, който си заслужава за финансови отчети или регулаторни таблици.

Ключови изводи

  • Параметърът table_format контролира изобразяването на таблиците (null, markdown, html)
  • Форматът Markdown е подходящ за повечето случаи на употреба
  • Форматът HTML запазва обединените клетки и разширеното форматиране
  • Извлечените таблици могат да бъдат конвертирани в pandas DataFrames за анализ
  • OCR 4 вярно реконструира табличната структура, дори при сложни оформления