Tvůj první požadavek na OCR v Pythonu
Na této stránce
Aktualizováno 2. listopadu 2026 — OCR. Verze OCR 4.0 (
mistral-ocr-4-0) byla 30. září 2026 vyřazena z provozu. Používej OCR 4.1 (mistral-ocr-4-1), které je obecně dostupné od 31. srpna za stejnou cenu, nebo aliasmistral-ocr-latest, který na něj odkazuje od 16. července. OCR 4.1 přidává skóre důvěryhodnosti na úrovni bloků. Dodatek ze 3. listopadu 2026: Lokální PDF se přenáší v base64 jako{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; typdocument_base64ze starších příkladů neexistuje ani v dokumentaci, ani v SDKmistralaia tyto příklady by selhaly. Zdroje: OCR Processor · Document QnA.
Od teorie ke kódu
Nyní znáš koncový bod a jeho parametry. Je čas napsat kompletní skript, který extrahuje text z PDF, od prvního řádku importu až po soubor Markdown uložený na tvém disku. Začneme nejjednodušším případem – veřejným dokumentem – a poté přejdeme k tomu, s čím se setkáš v praxi: lokální soubory, izolované obrázky a ilustrované dokumenty, které je třeba zrekonstruovat.
Dvě podmínky, které jsme již probrali, ale stojí za to si je ověřit, než ztratíš deset minut laděním chyby autentizace:
pip install mistralai
export MISTRAL_API_KEY="your-api-key"
Minimální skript
Zde je úplná extrakce PDF dostupného online. Tři užitečné řádky: inicializace klienta, volání process a iterace stránkami.
import os
from mistralai.client import Mistral
# Inicializace klienta
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Volání OCR na veřejném PDF
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://arxiv.org/pdf/2201.04234"
}
)
# Zobrazení počtu stránek
print(f"Počet stránek: {len(ocr_response.pages)}")
# Zobrazení obsahu každé stránky
for page in ocr_response.pages:
print(f"\n--- Stránka {page.index + 1} ---")
print(page.markdown)
Všimni si page.index + 1: index vrácený API začíná nulou, zatímco tvoji uživatelé počítají od jedné. Je to malý posun, pokud na to pamatuješ, ale zdroj trvalého zmatku, když na to narazíš ve zprávě dodané klientovi.
Zpracování souboru z tvého počítače
V reálném životě dokumenty zřídka přicházejí přes veřejnou URL. Máš je na disku, jsou důvěrné, takže je zakóduješ do base64. Následující skript zpracuje fakturu od dodavatele a spojí všechny stránky do jednoho bloku textu:
import os
import base64
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Přečtení a zakódování lokálního souboru
file_path = "supplier_invoice.pdf"
with open(file_path, "rb") as f:
document_base64 = base64.b64encode(f.read()).decode("utf-8")
# Volání OCR
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
}
)
# Spojení veškerého textu
full_text = "\n\n".join(
page.markdown for page in ocr_response.pages
)
print(full_text)
Spojení pomocí "\n\n".join(...) funguje dobře pro zobrazení nebo fulltextové vyhledávání. Maže však hranici mezi stránkami: pokud budeš později potřebovat citovat zdroj nebo nasměrovat uživatele na správnou stránku smlouvy, zachovej strukturu stránka po stránce místo tohoto jednoho bloku.
Uložení extrakce
Každé volání OCR stojí peníze a zabere čas. Opětovné spuštění extrakce stejné dvousetstránkové zprávy, protože jsi zapomněl uložit výsledek, je chyba, kterou uděláš jen jednou. Níže uvedená funkce zapíše Markdown do souboru a označí zlomy stránek komentářem a oddělovačem:
import os
import base64
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def extract_pdf(pdf_path: str, output_path: str) -> None:
"""Extrahuje text z PDF a uloží jej jako Markdown."""
with open(pdf_path, "rb") as f:
document_base64 = base64.b64encode(f.read()).decode("utf-8")
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
}
)
with open(output_path, "w", encoding="utf-8") as f:
for page in ocr_response.pages:
f.write(f"<!-- Page {page.index + 1} -->\n\n")
f.write(page.markdown)
f.write("\n\n---\n\n")
print(f"Extrakce dokončena: {len(ocr_response.pages)} stránek")
print(f"Výsledek uložen do: {output_path}")
# Použití
extract_pdf("annual_report.pdf", "annual_report.md")
HTML komentář <!-- Page N --> je v renderovaném zobrazení neviditelný, ale v souboru zůstává přítomen: můžeš jej najít pomocí regulárního výrazu a obnovit stránkování během indexování.
Případ izolovaného obrázku
OCR 4 není omezeno pouze na PDF. Fotografie faktury pořízená telefonem, naskenovaný účtenka, screenshot – vše se odesílá stejným způsobem pomocí typu image_base64:
import os
import base64
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Zakódování obrázku
with open("scanned_invoice.png", "rb") as f:
image_base64 = base64.b64encode(f.read()).decode("utf-8")
# Volání OCR na obrázku
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "image_base64",
"image_base64": image_base64
}
)
# Jediná „stránka“ pro obrázek
print(ocr_response.pages[0].markdown)
Odpověď zachovává stejnou formu: seznam stránek, který zde obsahuje pouze jednu položku. Tvůj zpracovatelský kód tedy zůstává identický bez ohledu na typ vstupního souboru, což velmi zjednodušuje smíšené pipeline.
Rekonstrukce ilustrovaného dokumentu
Vrácený Markdown odkazuje na obrázky jako , aniž by je vkládal. Pokud chceš samostatný soubor – zprávu čitelnou offline, náhled k odeslání e-mailem – vyžádej si obrázky v base64 a nahraď každý odkaz datovým URI:
import os
import base64
import re
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://arxiv.org/pdf/2201.04234"
},
include_image_base64=True
)
for page in ocr_response.pages:
markdown = page.markdown
# Nahrazení odkazů na obrázky base64
for image in page.images:
placeholder = f""
data_uri = f""
markdown = markdown.replace(placeholder, data_uri)
print(markdown[:500])
Výsledný soubor rychle roste, protože base64 váží asi o třetinu více než původní binární data. Tuto rekonstrukci si rezervuj pro dokumenty, které potřebuješ učinit samostatnými, a v indexovacích pipelinech udržuj obrázky jako samostatné soubory.
Než půjdeš dál, vezmi si dokument, který vlastníš – fakturu, smlouvu, naskenovanou stránku – a spusť jej prostřednictvím skriptu pro lokální extrakci. Porovnej výsledný Markdown s originálem řádek po řádku: nesrovnalosti, které najdeš, špatně zrekonstruovaná tabulka nebo nadpisek pohlcený do těla textu, jsou přesně problémy, které tě naučí řešit následující tři lekce.
Klíčové poznatky
- Volání OCR zabere 3 řádky: klient, process, čtení stránek
- Pro lokální soubory použij base64, pro veřejné dokumenty URL
- Výsledkem je strukturovaný Markdown, připravený k použití
- Extrahované obrázky lze znovu zkombinovat s textem
- Vždy ukládej své extrakce, abys předešel opakovaným voláním API