Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Tabellen und Struktur-Extraktion

Lektion 6 von 16 Aktualisiert am 2. November 2026 Entwickler
Auf dieser Seite
  1. Tabellen: Die historische Schwäche der OCR
  2. Der Parameter table_format
  3. Tabellen als Daten abrufen
  4. Wechsel zu pandas für die Analyse
  5. Wenn Tabellen kompliziert werden
  6. Kernaussagen

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), das seit dem 31. August allgemein verfügbar ist und denselben Preis hat, oder den Alias mistral-ocr-latest, der seit dem 16. Juli darauf verweist. OCR 4.1 fügt Vertrauenswerte auf Blockebene hinzu.

Tabellen: Die historische Schwäche der OCR

Bitten Sie Tesseract, eine Zusammenfassungstabelle aus einem Finanzbericht zu extrahieren, und Sie erhalten eine Reihe von Zeilen, in denen Werte aus der Spalte „Total” mit denen aus der Spalte „Quantity” vermischt werden, ohne dass ein Hinweis besteht, wie sie mit ihren ursprünglichen Zeilen verknüpft sind. Das Problem liegt nicht in der Zeichenerkennung, die gut funktioniert, sondern im vollständigen Mangel an Bewusstsein für tabellarische Strukturen. Herkömmliche Lösungen lesen von links nach rechts und von oben nach unten und verlieren dabei die Beziehungen zwischen Spalten und Zeilen.

OCR 4 nähert sich der Seite anders: Sie sieht sie. Dieses visuelle Verständnis ermöglicht es, eine Tabelle als Tabelle wiederherzustellen, nicht als abgeflachten Text.

Der Parameter table_format

Sie steuern die Tabellenrenderung mit einem einzigen Parameter, der an den OCR-Aufruf übergeben wird:

import os
from mistralai.client import Mistral

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

# Markdown-Format (empfohlen für die meisten Fälle)
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://example.com/financial-report.pdf"
    },
    table_format="markdown"
)

Drei Werte sind möglich, und die Wahl ist nicht kosmetisch: Sie bestimmt, was Sie mit dem Ergebnis nachgelagert tun können.

Mit null, dem Standardwert, werden Tabellen in den Markdown-Fluss integriert, ohne spezifische tabellarische Formatierung. Diese Einstellung funktioniert, wenn Sie keine tabellarischen Dokumente verarbeiten und lediglich Text zum Indexieren wünschen.

Mit "markdown" wird jede Tabelle im Standard-Pipe-Format gerendert, was eine Ausgabe erzeugt, die sofort lesbar ist und einfach zu parsen ist:

| Produkt | Menge | Einheitspreis | Gesamt |
|---------|-------|---------------|--------|
| Widget A | 100 | €12,50 | €1.250 |
| Widget B | 50 | €25,00 | €1.250 |
| **Total** | **150** | | **€2.500** |

Mit "html" wird die Tabelle als vollständiges HTML gerendert, wodurch Zellverschmelzungen und erweiterte Formatierungen erhalten bleiben, die Markdown nicht ausdrücken kann:

<table>
  <thead>
    <tr>
      <th>Produkt</th>
      <th>Menge</th>
      <th>Einheitspreis</th>
      <th>Gesamt</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>Widget A</td>
      <td>100</td>
      <td>€12,50</td>
      <td>€1.250</td>
    </tr>
  </tbody>
</table>

In der Praxis deckt Markdown die meisten Bedürfnisse ab: RAG-Indexierung, Suche oder Anzeige in einem Editor. Wechseln Sie zu HTML, sobald Ihre Tabellen verschmolzene Zellen enthalten oder das Ergebnis in eine Webseite eingebettet werden muss. Halten Sie null nur dann, wenn Tabellen in Ihrem Workflow keine Rolle spielen – sagen wir, ein narrativer Bericht oder eine Korrespondenz.

Tabellen als Daten abrufen

Eine Markdown-Tabelle ist immer noch Text. Um sie in manipulierbare Daten zu verwandeln, müssen Sie sie im Fluss erkennen und aufteilen. Die folgende Funktion durchläuft die Zeilen, identifiziert diejenigen, die einer Tabelle angehören, ignoriert die Trennzeilen und schließt die aktuelle Tabelle, sobald eine reguläre Zeile erscheint:

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]]]:
    """Extrahiert Markdown-Tabellen und wandelt sie in Listen um."""
    tables = []
    lines = markdown.split("\n")
    current_table = []
    in_table = False

    for line in lines:
        if "|" in line and line.strip().startswith("|"):
            # Ignoriere Trennzeile (|---|---|)
            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-Extraktion mit Markdown-Tabellen
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://example.com/invoice.pdf"
    },
    table_format="markdown"
)

# Durchlaufen der Seiten und Extrahieren von Tabellen
for page in ocr_response.pages:
    tables = extract_markdown_tables(page.markdown)
    for i, table in enumerate(tables):
        print(f"Seite {page.index + 1}, Tabelle {i + 1}:")
        print(json.dumps(table, indent=2, ensure_ascii=False))

Die letzte Prüfung außerhalb des Schleifenblocks ist nicht dekorativ: Ohne sie würde eine Tabelle am Ende einer Seite – ein häufiger Fall für eine Rechnungsübersicht – niemals zur Liste hinzugefügt, da keine reguläre Zeile erscheint, um sie zu schließen.

Wechsel zu pandas für die Analyse

Eine Liste von Listen reicht für den Export, nicht für Berechnungen. Die Umwandlung in einen DataFrame bedeutet, die erste Zeile zu Spaltenüberschriften zu machen:

import pandas as pd

def tables_to_dataframes(markdown: str) -> list[pd.DataFrame]:
    """Wandelt Markdown-Tabellen in pandas-DataFrames um."""
    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

# Verwendung
for page in ocr_response.pages:
    dfs = tables_to_dataframes(page.markdown)
    for df in dfs:
        print(df.to_string())
        print()

Der Test len(table) < 2 filtert Falschpositiven heraus: Eine isolierte Zeile, die ein Pipe-Symbol enthält, innerhalb eines Codeblocks oder einer Adresse, erzeugt keinen kaputten, leeren DataFrame. Denken Sie daran, dass Werte weiterhin als Strings vorliegen; die Umwandlung von „€1.250” in eine Zahl liegt noch immer in Ihrer Verantwortung.

Wenn Tabellen kompliziert werden

Verschmolzene Zellen, zweistufige Überschriften oder unregelmäßige Layouts treiben Markdown über seine Ausdrucksgrenzen hinaus. Wechseln Sie dann zu HTML und lassen Sie BeautifulSoup und pandas die Analyse übernehmen:

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)

Dieser Ansatz spart Ihnen das Schreiben eines Parsers: pd.read_html verarbeitet rowspan- und colspan-Attribute, die Ihr manuelles Aufteilen übersehen würde. Der Nachteil ist eine zusätzliche Abhängigkeit und etwas ausführlichere Ausgabe – ein Kompromiss, der sich für Finanzberichte oder regulatorische Tabellen mehr als lohnt.

Kernaussagen

  • Der Parameter table_format steuert die Tabellenrenderung (null, markdown, html)
  • Das Markdown-Format eignet sich für die meisten Anwendungsfälle
  • Das HTML-Format bewahrt verschmolzene Zellen und erweiterte Formatierungen
  • Extrahierte Tabellen können in pandas-DataFrames umgewandelt werden, um Analysen durchzuführen
  • OCR 4 rekonstruiert tabellarische Strukturen treu, selbst bei komplexen Layouts