Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Sidehoveder, sidefødder og paginering

Lektion 7 af 16 Opdateret 2. november 2026 Udvikler
På denne side
  1. Adskil dekoration fra indhold
  2. Tilgang til felterne
  3. Genopbyg paginering
  4. Rent indhold til RAG
  5. Udnyt metadata i sidefødder
  6. Behandl kun en del af dokumentet
  7. Vigtige pointer

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 aliasset mistral-ocr-latest, som har peget på det siden 16. juli. OCR 4.1 tilføjer konfidensscorer på blokniveau.

Adskil dekoration fra indhold

Siden OCR-version 2512 (december 2025) udtrækker Mistrals OCR-model sidehoveder og sidefødder separat for hver side. Denne funktion kan virke triviel, indtil du indekserer en kontrakt på 120 sider: Advokatfirmaets navn, „Fortrolig”-mærkningen og sidetallene optræder 120 gange og forurener hvert eneste søgeresultat. På formelle dokumenter – kontrakter, årsrapporter, regulatoriske tekster – transformerer denne adskillelse kvaliteten af alt, der følger efter.

Dilemmaet er reelt. Disse elementer gentages mekanisk på hver side og skaber støj både i indekseringen og i RAG-systemers svar. Alligevel indeholder de nogle gange dokumentets eneste pålidelige metadata: versionsnummer, udstedelsesdato, klassificeringsniveau. Ved at udtrække dem separat i stedet for at slette dem eller lade dem stå i brødteksten, kan du beslutte fra sag til sag.

Tilgang til felterne

Felterne header og footer er tilgængelige direkte på hver side i svaret:

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"--- Side {page.index + 1} ---")

    if page.header:
        print(f"Sidehoved: {page.header}")

    print(f"Indhold: {page.markdown[:100]}...")

    if page.footer:
        print(f"Sidefod: {page.footer}")

    print()

if page.header-tjekket er ikke overflødigt: Ikke hver side har et sidehoved, startende med forsider, hvor feltet i så fald er None.

Genopbyg paginering

Hver side er nul-indekseret. For et flersidet dokument, du planlægger at gemme eller returnere til en applikation, er det bedre at normalisere strukturen med det samme: menneskelæsbart nummer, indhold, dekoration, dimensioner og antal billeder.

def extract_with_pagination(ocr_response) -> dict:
    """Udtræk indhold mens paginering bevares."""
    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

Operatorerne or "" og guards på page.dimensions konverterer potentielt null-værdier til neutrale standardværdier. Dette forhindrer en AttributeError midt i en batch, når du behandler det 80. dokument.

Dimensioner angives i PDF-punkter, hvor ét punkt svarer til 1/72 af en tomme. De formater, du oftest støder på:

  • A4: 595 x 842 punkter
  • Letter: 612 x 792 punkter
  • A3: 842 x 1191 punkter

Disse oplysninger hjælper dig med at spotte afvigende sider i en batch – en A3-blåprint, der er snublet ind blandt A4-ark, eller en scanning i en usædvanlig skala. Konvertering til centimeter gør diagnosen øjeblikkelig:

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"Side {page.index + 1}: {width_cm:.1f} x {height_cm:.1f} cm")

Rent indhold til RAG

Afhængigt af dokumentet kan sidehovedet og sidefoden også optræde i den primære markdown. Fjern dem før indeksering, når de faktisk indrammer indholdet:

def main_content(ocr_response) -> str:
    """Udtræk kun hovedindholdet uden sidehoveder/sidefødder."""
    parts = []

    for page in ocr_response.pages:
        content = page.markdown

        # Valgfrit: fjern sidehoveder/sidefødder fra markdown
        # hvis de er inkluderet i hovedindholdet
        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)

Betingelserne startswith og endswith er bevidst forsigtige: Vi fjerner kun strengen, hvis den virkelig optræder i starten eller slutningen af siden. Blind fjernelse via replace risikerer at slette en legitim forekomst af firmanavnet midt i teksten.

Udnyt metadata i sidefødder

Når sidefødder er isoleret, er få regulære udtryk nok til at udtrække strukturerede metadata: paginering i formatet „3 / 40”, udstedelsesdato, versionsnummer og klassificeringsniveau.

import re

def extract_footer_metadata(ocr_response) -> dict:
    """Udtræk metadata fra sidefødder."""
    metadata = {
        "page_numbers": [],
        "dates": [],
        "versions": [],
        "classifications": [],
    }

    for page in ocr_response.pages:
        footer = page.footer or ""

        # Søgning efter sidetal
        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)}"
            )

        # Dato-søgning
        match_date = re.search(r"\d{2}/\d{2}/\d{4}", footer)
        if match_date:
            metadata["dates"].append(match_date.group())

        # Versions-søgning
        match_version = re.search(r"v(?:ersion)?\s*(\d+\.?\d*)", footer, re.I)
        if match_version:
            metadata["versions"].append(match_version.group(1))

        # Klassificering (Fortrolig, Offentlig osv.)
        for classification in ["confidential", "public", "internal", "secret"]:
            if classification in footer.lower():
                metadata["classifications"].append(classification)

    return metadata

Værdien går ud over dokumentarisk nysgerrighed. Den her opdagede klassificering kan styre downstream-behandling: Rout elementer mærket „fortrolig” til et indeks med begrænset adgang, eller nægt at sende dem til en ekstern tjeneste. Tilpas naturligvis ordforrådet, så det matcher din organisations terminologi.

Behandl kun en del af dokumentet

Ved store dokumenter har du ofte kun brug for en sektion – de finansielle bilag i en rapport, det underskrevne kapitel i en kontrakt. Filtrering sker efter udtrækning, på det svar, du allerede har modtaget:

def extract_range(ocr_response, start: int, end: int) -> str:
    """Udtræk indhold fra et sideinterval (1-indekseret)."""
    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)


# Udtræk side 5 til 10
partial_content = extract_range(ocr_response, 5, 10)

Funktionen bruger menneskelæsbare numre, startende fra 1: Anmodning om side 5 til 10 returnerer præcis disse sider. Husk dog, at hele dokumentet blev behandlet – og faktureret – før denne filtrering. Hvis du på forhånd ved, at kun få sider interesserer dig, så del PDF’en upstream i stedet for at sende alle 1.000 sider til API’et.

Vigtige pointer

  • Sidehoveder og sidefødder udtrækkes separat siden OCR 2512
  • Filtrér dem for at undgå støj i dine RAG-pipelines
  • Sidedimensioner er i PDF-punkter (72 punkter = 1 tomme)
  • Sidefødder indeholder ofte nyttige metadata (version, dato, klassificering)
  • Behandl efter sideintervaller for store dokumenter