Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Extraktion tabulek a struktury

Lekce 6 z 16 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Tabulky: Historická slabina OCR
  2. Parametr table_format
  3. Získávání tabulek jako dat
  4. Přechod na pandas pro analýzu
  5. Když jsou tabulky složité
  6. Klíčové poznatky

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 alias mistral-ocr-latest, který na něj odkazuje od 16. července. OCR 4.1 přidává skóre spolehlivosti na úrovni bloků.

Tabulky: Historická slabina OCR

Požádej Tesseract o extrakci souhrnné tabulky z finanční zprávy a dostaneš řetězec řádků, kde se hodnoty ze sloupce „Celkem“ zamíchají s těmi ze sloupce „Množství“, aniž by existovala jakákoli vazba zpět na jejich původní řádky. Problém není v rozpoznávání znaků, které funguje dobře; jde o naprostý nedostatek povědomí o tabulkové struktuře. Tradiční řešení čtou zleva doprava a shora dolů, přičemž cestou ztrácejí vztahy mezi sloupci a řádky.

OCR 4 přistupuje ke stránce jinak: vidí ji. Toto vizuální porozumění mu umožňuje obnovit tabulku jako tabulku, nikoliv jako zploštělý text.

Parametr table_format

Vykreslování tabulek řídíš jediným parametrem předaným při volání OCR:

import os
from mistralai.client import Mistral

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

# Formát Markdown (doporučeno pro většinu případů)
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://example.com/financial-report.pdf"
    },
    table_format="markdown"
)

Možné jsou tři hodnoty a volba není jen kosmetická: určuje, co můžeš s výsledkem dále dělat.

Při hodnotě null, což je výchozí nastavení, jsou tabulky integrovány do toku Markdown bez specifického tabulkového formátování. Toto nastavení funguje, když nezpracováváš tabulkové dokumenty a chceš pouze text pro indexaci.

Při hodnotě "markdown" je každá tabulka vykreslena ve standardním formátu s oddělovači svislítky, což vytváří výstup čitelný tak, jak je, a snadno parsitelný:

| Produkt | Množství | Jednotková cena | Celkem |
|---------|----------|------------|-------|
| Widget A | 100 | 12,50 € | 1 250 € |
| Widget B | 50 | 25,00 € | 1 250 € |
| **Celkem** | **150** | | **2 500 €** |

Při hodnotě "html" je tabulka vykreslena jako plnohodnotné HTML, což zachovává slučování buněk a pokročilé formátování, které Markdown nedokáže vyjádřit:

<table>
  <thead>
    <tr>
      <th>Produkt</th>
      <th>Množství</th>
      <th>Jednotková cena</th>
      <th>Celkem</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>Widget A</td>
      <td>100</td>
      <td>12,50 €</td>
      <td>1 250 €</td>
    </tr>
  </tbody>
</table>

V praxi Markdown pokrývá většinu potřeb: indexaci pro RAG, vyhledávání nebo zobrazení v editoru. Přepni se na HTML, jakmile tvoje tabulky obsahují sloučené buňky nebo pokud má být výsledek vložen na webovou stránku. Hodnotu null ponech pouze tehdy, když na tabulkách ve tvém workflow nezáleží – například u narativní zprávy nebo korespondence.

Získávání tabulek jako dat

Tabulka ve formátu Markdown je stále text. Abychom ji převedli na manipulovatelná data, musíme ji v toku identifikovat a rozdělit. Následující funkce prochází řádky, identifikuje ty patřící k tabulce, ignoruje oddělovací řádek a uzavře aktuální tabulku, jakmile se objeví běžný řádek:

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]]]:
    """Extrahuje tabulky Markdown a převede je na seznamy."""
    tables = []
    lines = markdown.split("\n")
    current_table = []
    in_table = False

    for line in lines:
        if "|" in line and line.strip().startswith("|"):
            # Ignorovat oddělovací řádek (|---|---|)
            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


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

# Iterace stránkami a extrakce tabulek
for page in ocr_response.pages:
    tables = extract_markdown_tables(page.markdown)
    for i, table in enumerate(tables):
        print(f"Strana {page.index + 1}, Tabulka {i + 1}:")
        print(json.dumps(table, indent=2, ensure_ascii=False))

Konečná kontrola mimo smyčku není jen ozdobná: bez ní by se tabulka na konci stránky – což je u souhrnů faktur častý případ – nikdy nepřidala do seznamu, protože žádný běžný řádek nedorazí, aby ji uzavřel.

Přechod na pandas pro analýzu

Seznam seznamů stačí pro export, ne pro výpočty. Převod na DataFrame znamená povýšení prvního řádku na záhlaví:

import pandas as pd

def tables_to_dataframes(markdown: str) -> list[pd.DataFrame]:
    """Převede tabulky Markdown na DataFrame pandas."""
    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

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

Test len(table) < 2 filtruje falešně pozitivní výsledky: osamocený řádek obsahující svislítko uvnitř bloku kódu nebo adresy nevytvoří rozbitý, prázdný DataFrame. Měj na paměti, že hodnoty zůstávají řetězci; převod „1 250 €“ na číslo je stále na tobě.

Když jsou tabulky složité

Sloučené buňky, dvouúrovňová záhlaví nebo nepravidelná rozložení tlačí Markdown za hranice jeho expresivních možností. V takovém případě přepni na HTML a nech zpracování analýzy na knihovnách BeautifulSoup a pandas:

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)

Tento přístup tě zbaví nutnosti psát vlastní parser: pd.read_html zvládá atributy rowspan a colspan, které by tvé ruční dělení minulo. Cenou je další závislost a trochu upovídanější výstup – kompromis, který se vyplatí u finančních zpráv nebo regulačních tabulek.

Klíčové poznatky

  • Parametr table_format řídí vykreslování tabulek (null, markdown, html)
  • Formát Markdown vyhovuje většině případů použití
  • Formát HTML zachovává sloučené buňky a pokročilé formátování
  • Extrahované tabulky lze převést na DataFrame pandas pro analýzu
  • OCR 4 věrně rekonstruuje tabulkovou strukturu, a to i u složitých rozložení