Udtrækning af tabeller og struktur
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 blok-niveau.
Tabeller: OCR’s historiske svaghed
Bed Tesseract om at udtrække oversigtstabellen fra en finansiel rapport, og du får en række linjer, hvor værdier fra kolonnen „Total” bliver blandet sammen med dem fra kolonnen „Mængde”, uden nogen ledetråd, der knytter dem tilbage til deres oprindelige rækker. Problemet er ikke tegngenkendelse, som fungerer fint; det er den totale mangel på bevidsthed om tabelstruktur. Traditionelle løsninger læser fra venstre mod højre, ovenfra og ned, og mister undervejs relationerne mellem kolonner og rækker.
OCR 4 griber siden an anderledes: den ser den. Denne visuelle forståelse lader den genskabe en tabel som en tabel, ikke som fladgjort tekst.
Parameteren table_format
Du styrer tabel-gengivelsen med en enkelt parameter, der sendes til OCR-kaldet:
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Markdown-format (anbefales til de fleste tilfælde)
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/financial-report.pdf"
},
table_format="markdown"
)
Tre værdier er mulige, og valget er ikke kosmetisk: det afgør, hvad du kan gøre med resultatet downstream.
Med null, standardværdien, integreres tabeller i Markdown-strømmen uden specifik tabelformatering. Denne indstilling fungerer, når du ikke behandler tabeldokumenter og blot ønsker tekst til indeksering.
Med "markdown" gengives hver tabel i standard pipe-format, hvilket producerer output, der er læsbart som sådan og nemt at parse:
| Produkt | Mængde | Enhedspris | Total |
|---------|----------|------------|-------|
| Widget A | 100 | €12,50 | €1.250 |
| Widget B | 50 | €25,00 | €1.250 |
| **Total** | **150** | | **€2.500** |
Med "html" gengives tabellen som fuld HTML, hvilket bevarer cellesammenfletninger og avanceret formatering, som Markdown ikke kan udtrykke:
<table>
<thead>
<tr>
<th>Produkt</th>
<th>Mængde</th>
<th>Enhedspris</th>
<th>Total</th>
</tr>
</thead>
<tbody>
<tr>
<td>Widget A</td>
<td>100</td>
<td>€12,50</td>
<td>€1.250</td>
</tr>
</tbody>
</table>
I praksis dækker Markdown de fleste behov: RAG-indeksering, søgning eller visning i en editor. Skift til HTML, så snart dine tabeller indeholder sammenflettede celler, eller resultatet skal indlejres i en webside. Behold kun null, når tabeller ikke betyder noget i din workflow – f.eks. ved en narrativ rapport eller korrespondance.
Hentning af tabeller som data
En Markdown-tabel er stadig tekst. For at gøre den til manipulerbare data skal du spotte den i strømmen og dele den op. Funktionen nedenfor går gennem linjerne, identificerer dem, der tilhører en tabel, ignorerer separatorlinjen og lukker den aktuelle tabel, så snart en almindelig linje dukker op:
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]]]:
"""Udtrækker Markdown-tabeller og konverterer dem til lister."""
tables = []
lines = markdown.split("\n")
current_table = []
in_table = False
for line in lines:
if "|" in line and line.strip().startswith("|"):
# Ignorer separatorlinje (|---|---|)
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
# OCR-udtrækning med Markdown-tabeller
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/invoice.pdf"
},
table_format="markdown"
)
# Iterer gennem sider og udtræk tabeller
for page in ocr_response.pages:
tables = extract_markdown_tables(page.markdown)
for i, table in enumerate(tables):
print(f"Side {page.index + 1}, Tabel {i + 1}:")
print(json.dumps(table, indent=2, ensure_ascii=False))
Det endelige tjek uden for løkken er ikke dekorativt: uden det ville en tabel sidst på en side – et almindeligt tilfælde for en fakturaoversigt – aldrig blive føjet til listen, da ingen almindelig linje kommer forbi for at lukke den.
Overgang til pandas til analyse
En liste af lister er nok til eksport, ikke til beregning. Konvertering til en DataFrame betyder at forfremme første række til overskrifter:
import pandas as pd
def tables_to_dataframes(markdown: str) -> list[pd.DataFrame]:
"""Konverterer Markdown-tabeller til pandas DataFrames."""
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
# Brug
for page in ocr_response.pages:
dfs = tables_to_dataframes(page.markdown)
for df in dfs:
print(df.to_string())
print()
Testen len(table) < 2 filtrerer falske positiver fra: en isoleret linje, der indeholder en pipe, inde i en kodeblok eller en adresse, vil ikke producere en defekt, tom DataFrame. Husk på, at værdier forbliver strenge; konverteringen af „€1.250” til et tal påhviler stadig dig.
Når tabeller bliver komplicerede
Sammenflettede celler, to-niveau overskrifter eller uregelmæssige layouts presser Markdown ud over dets udtryksmæssige grænser. Skift til HTML her, og lad BeautifulSoup og pandas håndtere analysen:
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)
Denne tilgang sparer dig for at skrive en parser: pd.read_html håndterer rowspan- og colspan-attributter, som din manuelle opsplitning ville overse. Omkostningen er en ekstra afhængighed og lidt mere verbost output – et kompromis, der er det værd for finansiel rapporter eller regulatoriske tabeller.
Vigtige pointer
- Parameteren
table_formatstyrer tabel-gengivelsen (null, markdown, html) - Markdown-formatet passer til de fleste brugstilfælde
- HTML-formatet bevarer sammenflettede celler og avanceret formatering
- Udtrukne tabeller kan konverteres til pandas DataFrames til analyse
- OCR 4 genskaber tabelstruktur trofast, selv ved komplekse layouts