Dit første OCR-opkald i Python
På denne side
Opdateret 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 aliassetmistral-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,…"}; typendocument_base64fra ældre eksempler eksisterer hverken i dokumentationen eller imistralaiSDK’et, og disse eksempler ville have fejlet. Kilder: OCR Processor · Document QnA.
Fra teori til kode
Du kender nu endpointet og dets parametre. Det er tid til at skrive et komplet script, der udtrækker tekst fra en PDF, fra den første import-linje til Markdown-filen, der gemmes på din disk. Vi starter med det enkleste tilfælde – et offentligt dokument – og går derefter videre til det, du vil støde på i praksis: lokale filer, isolerede billeder og illustrerede dokumenter, der kræver rekonstruktion.
To forudsætninger, som allerede er dækket, men værd at verificere, før du spilder ti minutter på en autentificeringsfejl:
pip install mistralai
export MISTRAL_API_KEY="your-api-key"
Det minimale script
Her er den fulde udtrækning af en PDF, der er tilgængelig online. Tre nyttige linjer: instantier klienten, kald process, og iterér gennem siderne.
import os
from mistralai.client import Mistral
# Initialize the client
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# OCR call on a public PDF
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://arxiv.org/pdf/2201.04234"
}
)
# Display the number of pages
print(f"Number of pages: {len(ocr_response.pages)}")
# Display the content of each page
for page in ocr_response.pages:
print(f"\n--- Page {page.index + 1} ---")
print(page.markdown)
Bemærk page.index + 1: indekset returneret af API’et starter ved nul, mens dine brugere tæller fra ét. Det er et mindre offset, så længe du husker på det, men en kilde til vedvarende forvirring, når du opdager det i en rapport leveret til en kunde.
Behandling af en fil fra din maskine
I det virkelige liv ankommer dokumenter sjældent via en offentlig URL. Du har dem på disken, de er fortrolige, så du encoder dem i base64. Følgende script behandler en leverandørfaktura og sammenkæder alle sider til én enkelt tekstblok:
import os
import base64
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Read and encode the local file
file_path = "supplier_invoice.pdf"
with open(file_path, "rb") as f:
document_base64 = base64.b64encode(f.read()).decode("utf-8")
# OCR call
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
}
)
# Concatenate all text
full_text = "\n\n".join(
page.markdown for page in ocr_response.pages
)
print(full_text)
Sammenkædning via "\n\n".join(...) fungerer fint til visning eller fuldtekstsøgning. Det sletter dog grænsen mellem siderne: hvis du senere får brug for at citere en kilde eller lede en bruger hen til den korrekte side i en kontrakt, bør du bevare side-for-side-strukturen frem for denne enkelte blok.
Gemning af udtrækningen
Hvert OCR-opkald koster penge og tager tid. At køre udtrækningen af den samme to-hundrede-siders rapport igen, fordi du glemte at gemme resultatet, er en fejl, du kun laver én gang. Funktionen nedenfor skriver Markdown til en fil og markerer sideskift med en kommentar og en separator:
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:
"""Extracts text from a PDF and saves it as 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"Extraction complete: {len(ocr_response.pages)} pages")
print(f"Result saved to: {output_path}")
# Usage
extract_pdf("annual_report.pdf", "annual_report.md")
HTML-kommentaren <!-- Page N --> er usynlig i den renderede visning, men forbliver til stede i filen: du kan finde den via regulære udtryk for at rekonstruere paginering under indeksering.
Tilfældet med et isoleret billede
OCR 4 er ikke begrænset til PDF’er. Et foto af en faktura taget på en telefon, en scannet kvittering, et skærmbillede – alt sendes på samme måde ved brug af typen image_base64:
import os
import base64
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Encode an image
with open("scanned_invoice.png", "rb") as f:
image_base64 = base64.b64encode(f.read()).decode("utf-8")
# OCR call on an image
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "image_base64",
"image_base64": image_base64
}
)
# A single "page" for an image
print(ocr_response.pages[0].markdown)
Svaret beholder samme form: en liste over sider, som her kun indeholder én. Din behandlingskode forbliver derfor identisk uanset input-filtype, hvilket forenkler blandede pipelines betydeligt.
Rekonstruktion af et illustreret dokument
Den returnerede Markdown refererer til billeder som  uden at indlejre dem. Hvis du ønsker en selvstændig fil – en rapport, der kan læses offline, eller en forhåndsvisning til at sende pr. e-mail – skal du anmode om billederne i base64 og erstatte hver reference med en data-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
# Replace image references with base64
for image in page.images:
placeholder = f""
data_uri = f""
markdown = markdown.replace(placeholder, data_uri)
print(markdown[:500])
Den resulterende fil vokser hurtigt, da base64 vejer omkring en tredjedel mere end den originale binære fil. Reserver denne rekonstruktion til dokumenter, du har brug for at gøre selvstændige, og behold billeder som separate filer i dine indekserings-pipelines.
Før du går videre, så tag et dokument, du ejer – en faktura, en kontrakt, en scannet side – og kør det gennem scriptet til lokal udtrækning. Sammenlign den resulterende Markdown med originalen linje for linje: de uoverensstemmelser, du finder, såsom en dårligt rekonstrueret tabel eller en overskrift absorberet i brødteksten, er præcis de problemer, de næste tre lektioner vil lære dig at håndtere.
Vigtige pointer
- OCR-opkaldet tager 3 linjer: klient, process, læs sider
- Brug base64 til lokale filer, URL til offentlige dokumenter
- Resultatet er struktureret Markdown, klar til brug
- Udtrukne billeder kan genkombineres med tekst
- Gem altid dine udtrækninger for at undgå gentagne API-opkald