Záhlaví, zápatí a stránkování
Na této stránce
Aktualizováno 2. listopadu 2026 — OCR. Model OCR 4.0 (
mistral-ocr-4-0) byl 30. září 2026 vyřazen. Používej OCR 4.1 (mistral-ocr-4-1), který je obecně dostupný 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.
Oddělení dekorace od obsahu
Od verze OCR 2512 (prosinec 2025) model Mistral OCR extrahuje záhlaví a zápatí pro každou stránku samostatně. Tato funkce se může zdát triviální, dokud neindexuješ 120stránkovou smlouvu: název advokátní kanceláře, označení „Důvěrné“ a čísla stránek se objeví 120krát a znečišťují každý výsledek vyhledávání. U formálních dokumentů – smluv, výročních zpráv, regulačních textů – toto oddělení zásadně mění kvalitu všeho, co následuje.
Dilema je reálné. Tyto prvky se mechanicky opakují na každé stránce a vytvářejí šum jak při indexaci, tak v odpovědích systémů RAG. Zároveň však někdy obsahují jediná spolehlivá metadata dokumentu: číslo verze, datum vydání, úroveň klasifikace. Jejich samostatná extrakce namísto smazání nebo ponechání v hlavním textu ti umožňuje rozhodovat se případ od případu.
Přístup k polím
Pole header a footer jsou dostupná přímo na každé stránce odpovědi:
import os
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://exemple.com/contrat.pdf"
}
)
for page in ocr_response.pages:
print(f"--- Page {page.index + 1} ---")
if page.header:
print(f"Header: {page.header}")
print(f"Content: {page.markdown[:100]}...")
if page.footer:
print(f"Footer: {page.footer}")
print()
Kontroly if page.header nejsou zbytečné: ne každá stránka má záhlaví, což platí zejména pro titulní strany, kdy je hodnota pole None.
Rekonstrukce stránkování
Každá stránka je indexována od nuly. U vícestánkových dokumentů, které plánuješ uložit nebo vrátit aplikaci, je lepší strukturu okamžitě normalizovat: číslo stránky čitelné pro člověka, obsah, dekorace, rozměry a počet obrázků.
def extract_with_pagination(ocr_response) -> dict:
"""Extract content while preserving pagination."""
document = {
"page_count": len(ocr_response.pages),
"pages": []
}
for page in ocr_response.pages:
page_data = {
"number": page.index + 1,
"content": page.markdown,
"header": page.header or "",
"footer": page.footer or "",
"dimensions": {
"width": page.dimensions.width if page.dimensions else None,
"height": page.dimensions.height if page.dimensions else None,
},
"image_count": len(page.images) if page.images else 0,
}
document["pages"].append(page_data)
return document
Operátory or "" a ochranné podmínky u page.dimensions převádějí potenciálně nulové hodnoty na neutrální výchozí hodnoty. Tím předejdeš chybě AttributeError uprostřed dávky při zpracování 80. dokumentu.
Rozměry jsou vyjádřeny v bodech PDF, kde jeden bod odpovídá 1/72 palce. Formáty, se kterými se setkáš nejčastěji:
- A4: 595 × 842 bodů
- Letter: 612 × 792 bodů
- A3: 842 × 1191 bodů
Tyto informace ti pomohou odhalit odlehlé stránky v dávce – například výkres formátu A3 omylem vložený mezi listy A4 nebo sken v neobvyklém měřítku. Převod na centimetry učiní diagnostiku okamžitou:
for page in ocr_response.pages:
if page.dimensions:
width_cm = page.dimensions.width * 2.54 / 72
height_cm = page.dimensions.height * 2.54 / 72
print(f"Page {page.index + 1}: {width_cm:.1f} x {height_cm:.1f} cm")
Čistý obsah pro RAG
V závislosti na dokumentu se mohou záhlaví a zápatí objevit také v hlavním poli markdown. Před indexací je odstraň, pokud skutečně rámují obsah:
def main_content(ocr_response) -> str:
"""Extract only the main content, without headers/footers."""
parts = []
for page in ocr_response.pages:
content = page.markdown
# Optional: remove headers/footers from markdown
# if they are included in the main content
if page.header and content.startswith(page.header):
content = content[len(page.header):].strip()
if page.footer and content.endswith(page.footer):
content = content[:-len(page.footer)].strip()
parts.append(content)
return "\n\n".join(parts)
Podmínky startswith a endswith jsou záměrně opatrné: řetězec odstraníme pouze tehdy, pokud se skutečně nachází na začátku nebo na konci stránky. Slepé odstranění pomocí replace riskuje vymazání legitimního výskytu názvu společnosti uprostřed textu.
Využití metadat ze zápatí
Jakmile jsou zápatí izolována, stačí několik regulárních výrazů k extrakci strukturovaných metadat: stránkování ve formátu „3 / 40“, datum vydání, číslo verze a úroveň klasifikace.
import re
def extract_footer_metadata(ocr_response) -> dict:
"""Extract metadata from footers."""
metadata = {
"page_numbers": [],
"dates": [],
"versions": [],
"classifications": [],
}
for page in ocr_response.pages:
footer = page.footer or ""
# Page number search
match_page = re.search(r"(\d+)\s*/\s*(\d+)", footer)
if match_page:
metadata["page_numbers"].append(
f"{match_page.group(1)}/{match_page.group(2)}"
)
# Date search
match_date = re.search(r"\d{2}/\d{2}/\d{4}", footer)
if match_date:
metadata["dates"].append(match_date.group())
# Version search
match_version = re.search(r"v(?:ersion)?\s*(\d+\.?\d*)", footer, re.I)
if match_version:
metadata["versions"].append(match_version.group(1))
# Classification (Confidential, Public, etc.)
for classification in ["confidential", "public", "internal", "secret"]:
if classification in footer.lower():
metadata["classifications"].append(classification)
return metadata
Hodnota toho přesahuje pouhou dokumentární zvědavost. Zde detekovaná klasifikace může řídit následné zpracování: položky označené jako „důvěrné“ směruj do indexu s omezeným přístupem nebo odmítni jejich odeslání externí službě. Slovník samozřejmě přizpůsob terminologii své organizace.
Zpracování pouze části dokumentu
U velkých dokumentů často potřebuješ pouze určitou sekci – finanční přílohy zprávy, podepsanou kapitolu smlouvy. Filtrování probíhá až po extrakci, na odpovědi, kterou jsi již obdržel:
def extract_range(ocr_response, start: int, end: int) -> str:
"""Extract content from a page range (1-indexed)."""
parts = []
for page in ocr_response.pages:
number = page.index + 1
if start <= number <= end:
parts.append(page.markdown)
return "\n\n---\n\n".join(parts)
# Extract pages 5 to 10
partial_content = extract_range(ocr_response, 5, 10)
Funkce používá číslování čitelné pro člověka, začínající od 1: požadavek na stránky 5 až 10 vrátí přesně tyto stránky. Nezapomeň však, že celý dokument byl zpracován – a zpoplatněn – ještě před tímto filtrováním. Pokud předem víš, že tě zajímá jen několik stránek, rozděl PDF upstream, místo abys posílal všech 1 000 stránek do API.
Klíčové poznatky
- Záhlaví a zápatí jsou od verze OCR 2512 extrahována samostatně
- Filtruj je, abys předešel šumu ve svých pipelinech RAG
- Rozměry stránek jsou v bodech PDF (72 bodů = 1 palec)
- Zápatí často obsahují užitečná metadata (verze, datum, klasifikace)
- U velkých dokumentů zpracovávej rozsahy stránek