Ihr erster OCR-Aufruf in Python
Auf dieser Seite
Aktualisiert am 2. November 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) wurde am 30. September 2026 eingestellt. Nutzen Sie OCR 4.1 (mistral-ocr-4-1), der seit dem 31. August allgemein verfügbar ist und denselben Preis hat, oder den Aliasmistral-ocr-latest, der seit dem 16. Juli darauf verweist. OCR 4.1 fügt Vertrauenswerte auf Blockebene hinzu. Ergänzung vom 3. November 2026: Ein lokales PDF wird als base64-String übermittelt in der Form{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; der Typdocument_base64aus älteren Beispielen existiert weder in der Dokumentation noch immistralaiSDK, und diese Beispiele wären fehlgeschlagen. Quellen: OCR-Verarbeiter · Dokumenten-Fragenbeantwortung.
Von der Theorie zum Code
Sie kennen nun den Endpunkt und seine Parameter. Es ist Zeit, ein vollständiges Skript zu schreiben, das Text aus einem PDF extrahiert, von der ersten Import-Anweisung bis zum Markdown-Datei, die auf Ihrem Speichermedium gespeichert wird. Wir beginnen mit dem einfachsten Fall – einem öffentlichen Dokument – und bewegen uns dann zu dem, was Sie in der Praxis antreffen werden: lokale Dateien, isolierte Bilder und illustrierte Dokumente, die eine Rekonstruktion benötigen.
Zwei Voraussetzungen, die bereits behandelt wurden, aber vor dem Verschwinden von zehn Minuten durch einen Authentifizierungsfehler überprüft werden sollten:
pip install mistralai
export MISTRAL_API_KEY="your-api-key"
Das minimale Skript
Hier ist die vollständige Extraktion eines online zugänglichen PDFs. Drei nützliche Zeilen: Initialisieren des Clients, Aufruf von process und Iteration durch die Seiten.
import os
from mistralai.client import Mistral
# Initialisieren des Clients
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# OCR-Aufruf für ein öffentliches PDF
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://arxiv.org/pdf/2201.04234"
}
)
# Anzahl der Seiten anzeigen
print(f"Anzahl der Seiten: {len(ocr_response.pages)}")
# Inhalt jeder Seite anzeigen
for page in ocr_response.pages:
print(f"\n--- Seite {page.index + 1} ---")
print(page.markdown)
Beachten Sie page.index + 1: Der von der API zurückgegebene Index beginnt bei null, während Ihre Benutzer von eins zählen. Es ist ein kleiner Offset, solange Sie ihn im Hinterkopf behalten, aber eine Quelle anhaltender Verwirrung, wenn Sie ihn in einem Bericht entdecken, der an einen Kunden geliefert wurde.
Verarbeitung einer Datei von Ihrem Gerät
In der Realität kommen Dokumente selten über eine öffentliche URL an. Sie haben sie auf dem Speichermedium, sie sind vertraulich, daher kodieren Sie sie in base64. Das folgende Skript verarbeitet eine Lieferantenrechnung und fügt alle Seiten zu einem einzigen Textblock zusammen:
import os
import base64
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Lesen und Kodieren der lokalen Datei
file_path = "supplier_invoice.pdf"
with open(file_path, "rb") as f:
document_base64 = base64.b64encode(f.read()).decode("utf-8")
# OCR-Aufruf
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
}
)
# Alle Texte zusammenfügen
full_text = "\n\n".join(
page.markdown for page in ocr_response.pages
)
print(full_text)
Das Zusammenfügen über "\n\n".join(...) funktioniert gut für die Anzeige oder die Volltextsuche. Es löscht jedoch die Grenze zwischen den Seiten: Wenn Sie später eine Quelle zitieren oder einen Benutzer auf die richtige Seite eines Vertrags verweisen müssen, bewahren Sie die Seite-für-Seite-Struktur bei, anstatt diesen einzelnen Block zu verwenden.
Speichern der Extraktion
Jeder OCR-Aufruf kostet Geld und nimmt Zeit in Anspruch. Das erneute Durchführen der Extraktion desselben zweihundertseitigen Berichts, weil Sie das Ergebnis vergessen haben zu speichern, ist ein Fehler, den Sie nur einmal machen. Die Funktion unten schreibt das Markdown in eine Datei und markiert Seitengrenzen mit einem Kommentar und einem Trennzeichen:
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:
"""Extrahiert Text aus einem PDF und speichert es als 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"Extraktion abgeschlossen: {len(ocr_response.pages)} Seiten")
print(f"Ergebnis gespeichert unter: {output_path}")
# Verwendung
extract_pdf("annual_report.pdf", "annual_report.md")
Der HTML-Kommentar <!-- Page N --> ist in der gerenderten Ansicht unsichtbar, bleibt aber in der Datei vorhanden: Sie können ihn über einen regulären Ausdruck finden, um die Paginierung während der Indizierung wiederherzustellen.
Der Fall eines isolierten Bildes
OCR 4 beschränkt sich nicht auf PDFs. Ein Foto einer Rechnung, das mit dem Telefon aufgenommen wurde, ein gescannter Beleg, ein Screenshot – all dies wird auf dieselbe Weise gesendet, unter Verwendung des Typs image_base64:
import os
import base64
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Kodieren eines Bildes
with open("scanned_invoice.png", "rb") as f:
image_base64 = base64.b64encode(f.read()).decode("utf-8")
# OCR-Aufruf für ein Bild
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "image_base64",
"image_base64": image_base64
}
)
# Eine einzelne "Seite" für ein Bild
print(ocr_response.pages[0].markdown)
Die Antwort behält dieselbe Form bei: eine Liste von Seiten, die hier nur eine enthält. Ihr Verarbeitungscode bleibt daher unabhängig vom Dateityp der Eingabe identisch, was gemischte Pipelines erheblich vereinfacht.
Rekonstruktion eines illustrierten Dokuments
Das zurückgegebene Markdown verweist auf Bilder als , ohne sie einzubetten. Wenn Sie eine eigenständige Datei wünschen – einen offline lesbaren Bericht, eine Vorschau zum Versenden per E-Mail – bitten Sie um die Bilder in base64 und ersetzen Sie jeden Verweis durch einen 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
# Bildverweise durch base64 ersetzen
for image in page.images:
placeholder = f""
data_uri = f""
markdown = markdown.replace(placeholder, data_uri)
print(markdown[:500])
Die resultierende Datei wächst schnell, da base64 etwa ein Drittel mehr wiegt als das ursprüngliche Binärformat. Reservieren Sie diese Rekonstruktion für Dokumente, die Sie eigenständig machen müssen, und halten Sie Bilder in Ihren Indizierungspipelines als separate Dateien.
Bevor Sie fortfahren, nehmen Sie ein Dokument, das Ihnen gehört – eine Rechnung, einen Vertrag, eine gescannte Seite – und führen Sie es durch das lokale Extraktionsskript. Vergleichen Sie das resultierende Markdown Zeile für Zeile mit dem Original: Die Diskrepanzen, die Sie finden, eine schlecht rekonstruierte Tabelle oder ein Header, der in den Fließtext aufgenommen wurde, sind genau die Probleme, die die nächsten drei Lektionen zu behandeln lehren.
Kernaussagen
- Der OCR-Aufruf benötigt 3 Zeilen: Client, Prozess, Seiten lesen
- Verwenden Sie base64 für lokale Dateien, URL für öffentliche Dokumente
- Das Ergebnis ist strukturiertes Markdown, bereit zur Verwendung
- Extrahierte Bilder können mit Text neu kombiniert werden
- Speichern Sie Ihre Extraktionen immer, um wiederholte API-Aufrufe zu vermeiden