Извличане на таблици и структура
На тази страница
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 псевдонимаmistral-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_formatконтролира 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