Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Udtræk strukturerede metadata

Lektion 10 af 16 Opdateret 3. november 2026 Udvikler
På denne side
  1. Udtræk præcis det, du har brug for
  2. Struktur i stedet for udfladning
  3. Gentagne data
  4. Afkrydsningsfelter og formularer
  5. End-to-end-implementering
  6. Vigtige pointer

Opdatering 2. november 2026 — OCR. OCR 4.0 (mistral-ocr-4-0) blev udfaset den 30. september 2026. Brug OCR 4.1 (mistral-ocr-4-1), som har været generelt tilgængelig siden 31. august til samme pris, eller aliasset mistral-ocr-latest, som har peget på det siden 16. juli. OCR 4.1 tilføjer konfidensscorer på blokniveau. Tillæg 3. november 2026: En lokal PDF transmitteres i base64 som {"type": "document_url", "document_url": "data:application/pdf;base64,…"}; typen document_base64 fra ældre eksempler findes hverken i dokumentationen eller i mistralai SDK’et, og disse eksempler ville have fejlet. Kilder: OCR Processor · Document QnA. Rettet 3. november 2026: Koden læste tidligere page.document_annotation side for side; i mistralai SDK 3.7.0 er dokumentannotation et enkelt felt i svaret (response.document_annotation), og billedannotation læses fra image.image_annotation.

Udtræk præcis det, du har brug for

Dokumentannotation handler ikke kun om at hente råtekst. Det producerer strukturerede, typede og validerede data, der er klar til øjeblikkelig brug i dine systemer: en række indsat i en database, et felt sammenlignet med en reference eller et beløb verificeret før betaling. Udfordringen flytter sig fuldstændigt til skemadesign, hvilket er fokus for denne lektion.

Struktur i stedet for udfladning

Et udtræksskema bør afspejle dokumentets virkelighed. En faktura kommer fra en juridisk enhed med et firmanavn, et SIRET-nummer (fransk virksomheds-ID) og en adresse. I stedet for at opstille otte felter som emetteur_rue, emetteur_ville, emetteur_siret, definerer du en model Adresse og derefter en model LegalEntity, der indeholder den. Genbrug disse byggesten både for udsteder og modtager. Enumerationen TypeDocument spiller en lignende rolle: den forhindrer modellen i at opfinde en kategori og garanterer en værdi, du kan bruge i en if-sætning eller til routing. Felter markeret som Optional angiver eksplicit, hvad der kan mangle, mens standardværdier – såsom default="France" for landet – sparer modellen for at gætte på det åbenlyse.

from pydantic import BaseModel, Field
from typing import Optional
from enum import Enum

class DocumentType(str, Enum):
    INVOICE = "facture"
    CONTRACT = "contrat"
    REPORT = "rapport"
    FORM = "formulaire"
    OTHER = "autre"

class Address(BaseModel):
    street: Optional[str] = Field(None, description="Numéro et street")
    postal_code: Optional[str] = Field(None, description="Code postal")
    city: Optional[str] = Field(None, description="Ville")
    country: str = Field(default="France", description="Pays")

class LegalEntity(BaseModel):
    name: str = Field(..., description="Raison sociale")
    siret: Optional[str] = Field(None, description="Numéro SIRET")
    address: Optional[Address] = Field(None, description="Address postale")
    email: Optional[str] = Field(None, description="Address email")

class DocumentExtraction(BaseModel):
    document_type: DocumentType = Field(
        ..., description="Type du document"
    )
    date: Optional[str] = Field(
        None, description="Date principale (YYYY-MM-DD)"
    )
    emetteur: LegalEntity = Field(
        ..., description="Entité qui émet le document"
    )
    destinataire: Optional[LegalEntity] = Field(
        None, description="Entité destinataire"
    )
    resume: str = Field(
        ..., description="Résumé en 2-3 phrases du contenu"
    )
    langue: str = Field(
        ..., description="Langue du document (code ISO 639-1)"
    )

Gentagne data

Mange dokumenter indeholder serier: fakturalinjer, klausuler eller udgiftsposter. Modellér disse som en list[...] af en dedikeret undermodel. Modellen scanner derefter dokumenttabellen og producerer lige så mange LigneFacture-objekter, som den finder rækker, inklusive beskrivelse, mængde, enhedspris og total for hver. Dette giver dig nok data til selv at genberegne subtotalen og verificere dokumentets konsistens, før du accepterer det.

from pydantic import BaseModel, Field

class InvoiceLine(BaseModel):
    description: str = Field(..., description="Description du produit/service")
    quantity: float = Field(..., description="Quantité")
    unit_price: float = Field(..., description="Prix unitaire HT")
    amount: float = Field(..., description="Montant total HT de la ligne")

class DetailedInvoice(BaseModel):
    supplier: str = Field(..., description="Nom du supplier")
    number: str = Field(..., description="Numéro de facture")
    date: str = Field(..., description="Date (YYYY-MM-DD)")
    lines: list[InvoiceLine] = Field(
        ..., description="Lignes de la facture"
    )
    subtotal_excl_tax: float = Field(..., description="Sous-total HT")
    vat: float = Field(..., description="Montant TVA")
    total_incl_tax: float = Field(..., description="Total TTC")
    payment_terms: str = Field(
        ..., description="Conditions de paiement mentionnées"
    )

Afkrydsningsfelter og formularer

Scannede papirformularer er der, hvor modellen virkelig skinner. Et bool-felt parret med spørgsmålets etiket er tilstrækkeligt: modellen genkender, om en boks er krydset af, udtrækker det tilsvarende spørgsmål og – afgørende for medicinsk eller administrativ brug – konkluderer, at et felt mangler, i stedet for at opfinde en værdi, som Mistral-teamet har demonstreret. Noten „null if not provided” i beskrivelsen af telefonnummeret er ikke dekorativ; den autoriserer eksplicit en tom værdi.

from pydantic import BaseModel, Field

class FormResponse(BaseModel):
    question: str = Field(..., description="Intitulé de la question")
    answer: bool = Field(..., description="True si coché, False sinon")

class MedicalForm(BaseModel):
    patient_name: str = Field(..., description="Nom complet du patient")
    age: Optional[int] = Field(None, description="Âge du patient")
    sex: Optional[str] = Field(None, description="Sexe (M/F)")
    patient_id: Optional[str] = Field(None, description="ID patient")
    phone: Optional[str] = Field(
        None, description="Numéro de téléphone (null si non fourni)"
    )
    responses: list[FormResponse] = Field(
        ..., description="Réponses aux questions du formulaire"
    )

End-to-end-implementering

Tag eksemplet med den detaljerede faktura og forbind det med et base64-kodet dokument. Annotationsprompten supplerer skemaet ved at specificere filtypen og understrege opmærksomhed på fakturalinjer; Pydantic-validering ved retur konverterer JSON-strengen til et objekt, du sikkert kan traversere.

import os
import json
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model

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

ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": f"data:application/pdf;base64,{document_base64}"
    },
    document_annotation_format=response_format_from_pydantic_model(
        DetailedInvoice
    ),
    document_annotation_prompt=(
        "Ce document est une invoice. Extrais toutes les lines "
        "de facturation avec leurs montants."
    )
)

# Udtræk og validering
if ocr_response.document_annotation:
    invoice = DetailedInvoice.model_validate_json(
        ocr_response.document_annotation
    )

    print(f"Facture {invoice.numero} - {invoice.fournisseur}")
    print(f"Date : {invoice.date}")
    print(f"\nLignes :")
    for line in invoice.lines:
        print(f"  - {line.description}: {line.quantite} x "
              f"{line.prix_unitaire}€ = {line.montant}€")
    print(f"\nTotal TTC : {invoice.total_incl_tax}€")

Dårlige udtræksresultater skyldes næsten altid skemaet, sjældent modellen. Gennemgå dine beskrivelser én efter én: de skal være præcise og entydige, da modellen udelukkende støtter sig til dem for at forstå dine forventninger. Skriv dem på samme sprog som dine dokumenter – fransk fungerer perfekt til franske fakturaer – og reserver enums til felter med begrænsede værdier og undermodeller til strukturer, du vil genbruge på tværs af skemaer.

Vigtige pointer

  • Pydantic-skemaer muliggør udtræk af typede og validerede data
  • Brug komplekse typer (lister, enums, nestede modeller) til præcise udtræk
  • Modellen håndterer valgfrie felter og afkrydsningsfelter pålideligt
  • Feltbeskrivelser styrer udtrækket: vær præcis og eksplicit
  • Kombinér document_annotation_prompt med skemaet for maksimal kontekst