Überschriften, Fußzeilen und Paginierung
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.
Trennung von Dekoration und Inhalt
Seit OCR-Version 2512 (Dezember 2025) extrahiert das OCR-Modell von Mistral Überschriften und Fußzeilen für jede Seite separat. Diese Funktion scheint zunächst trivial, bis man einen 120-seitigen Vertrag indiziert: Der Name der Anwaltskanzlei, das „Vertraulich”-Kennzeichen und die Seitennummern erscheinen 120 Mal und verschmutzen jedes Suchergebnis. Bei formellen Dokumenten – Verträgen, Jahresberichten, regulatorischen Texten – verwandelt diese Trennung die Qualität aller nachfolgenden Schritte.
Das Dilemma ist real. Diese Elemente wiederholen sich mechanisch auf jeder Seite und erzeugen Rauschen sowohl bei der Indizierung als auch in den Antworten von RAG-Systemen. Dennoch enthalten sie manchmal die einzigen zuverlässigen Metadaten des Dokuments: Versionsnummer, Erscheinungsdatum, Einstufungsgrad. Die separate Extraktion, anstatt sie zu löschen oder im Fließtext zu belassen, ermöglicht es Ihnen, Fall für Fall zu entscheiden.
Zugriff auf die Felder
Die Felder header und footer sind direkt auf jeder Seite der Antwort verfügbar:
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"--- Seite {page.index + 1} ---")
if page.header:
print(f"Überschrift: {page.header}")
print(f"Inhalt: {page.markdown[:100]}...")
if page.footer:
print(f"Fußzeile: {page.footer}")
print()
Die Prüfungen if page.header sind nicht überflüssig: Nicht jede Seite verfügt über eine Überschrift, beginnend mit Titelseiten, in diesem Fall ist das Feld None.
Rekonstruktion der Paginierung
Jede Seite ist null-basiert indiziert. Für ein mehrseitiges Dokument, das Sie in einer Anwendung speichern oder zurückgeben möchten, ist es besser, die Struktur sofort zu normalisieren: menschlich lesbare Nummer, Inhalt, Dekoration, Abmessungen und Bildanzahl.
def extract_with_pagination(ocr_response) -> dict:
"""Extrahiert Inhalt unter Beibehaltung der Paginierung."""
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
Die Operatoren or "" und die Wächter für page.dimensions wandeln potenziell null-Werte in neutrale Standardwerte um. Dies verhindert einen AttributeError mitten in einem Batch, wenn das 80. Dokument verarbeitet wird.
Abmessungen werden in PDF-Punkten ausgedrückt, wobei ein Punkt 1/72 Zoll entspricht. Die Formate, die Sie am häufigsten antreffen werden:
- A4: 595 x 842 Punkte
- Letter: 612 x 792 Punkte
- A3: 842 x 1191 Punkte
Diese Informationen helfen Ihnen, Ausreißer-Seiten in einem Batch zu erkennen – eine A3-Bauplanung, die sich zwischen A4-Blättern verirrt hat, oder ein Scan in ungewöhnlichem Maßstab. Die Umrechnung in Zentimeter macht die Diagnose sofort möglich:
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"Seite {page.index + 1}: {width_cm:.1f} x {height_cm:.1f} cm")
Bereinigung des Inhalts für RAG
Je nach Dokument können Überschriften und Fußzeilen auch im Hauptfeld markdown erscheinen. Entfernen Sie diese vor der Indizierung, wenn sie tatsächlich den Inhalt rahmen:
def main_content(ocr_response) -> str:
"""Extrahiert nur den Hauptinhalt, ohne Überschriften/Fußzeilen."""
parts = []
for page in ocr_response.pages:
content = page.markdown
# Optional: Entfernen von Überschriften/Fußzeilen aus dem Markdown
# falls sie im Hauptinhalt enthalten sind
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)
Die Bedingungen startswith und endswith sind absichtlich vorsichtig: Wir entfernen den String nur, wenn er tatsächlich am Anfang oder Ende der Seite erscheint. Eine blinde Entfernung via replace riskiert, ein legitimes Vorkommen des Firmennamens mitten im Text zu löschen.
Nutzung von Fußzeilen-Metadaten
Sobald Fußzeilen isoliert sind, reichen einige reguläre Ausdrücke aus, um strukturierte Metadaten zu extrahieren: Paginierung im Format „3 / 40”, Erscheinungsdatum, Versionsnummer und Einstufungsgrad.
import re
def extract_footer_metadata(ocr_response) -> dict:
"""Extrahiert Metadaten aus Fußzeilen."""
metadata = {
"page_numbers": [],
"dates": [],
"versions": [],
"classifications": [],
}
for page in ocr_response.pages:
footer = page.footer or ""
# Suche nach Seitennummer
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)}"
)
# Suche nach Datum
match_date = re.search(r"\d{2}/\d{2}/\d{4}", footer)
if match_date:
metadata["dates"].append(match_date.group())
# Suche nach Version
match_version = re.search(r"v(?:ersion)?\s*(\d+\.?\d*)", footer, re.I)
if match_version:
metadata["versions"].append(match_version.group(1))
# Suche nach Einstufung (Vertraulich, Öffentlich, etc.)
for classification in ["confidential", "public", "internal", "secret"]:
if classification in footer.lower():
metadata["classifications"].append(classification)
return metadata
Der Wert geht über dokumentarische Neugier hinaus. Die hier erkannte Einstufung kann die nachgelagerte Verarbeitung steuern: Leiten Sie Elemente mit der Kennzeichnung „vertraulich” in einen Index mit eingeschränktem Zugriff oder lehnen Sie es ab, sie an einen externen Dienst zu senden. Passen Sie offensichtlich das Vokabular an die Terminologie Ihrer Organisation an.
Verarbeitung nur eines Teils des Dokuments
Bei großen Dokumenten benötigen Sie oft nur einen Abschnitt – die finanziellen Anhänge eines Berichts, den unterschriebenen Teil eines Vertrags. Das Filtern erfolgt nach der Extraktion, auf der bereits erhaltenen Antwort:
def extract_range(ocr_response, start: int, end: int) -> str:
"""Extrahiert Inhalt aus einem Seitenumfang (1-basiert)."""
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)
# Extrahiere Seiten 5 bis 10
partial_content = extract_range(ocr_response, 5, 10)
Die Funktion verwendet die menschlich lesbare Nummerierung, beginnend bei 1: Die Anforderung der Seiten 5 bis 10 gibt genau diese Seiten zurück. Denken Sie jedoch daran, dass das gesamte Dokument verarbeitet und berechnet wurde, bevor dieses Filtern stattfindet. Wenn Sie im Voraus wissen, dass nur wenige Seiten Ihr Interesse wecken, teilen Sie das PDF upstream auf, anstatt alle 1.000 Seiten an die API zu senden.
Kernaussagen
- Überschriften und Fußzeilen werden seit OCR 2512 separat extrahiert
- Filtern Sie sie, um Rauschen in Ihren RAG-Pipelines zu vermeiden
- Seitengrößen werden in PDF-Punkten angegeben (72 Punkte = 1 Zoll)
- Fußzeilen enthalten oft nützliche Metadaten (Version, Datum, Einstufung)
- Verarbeiten Sie große Dokumente nach Seitenumfängen