Εξαγωγή Δομημένων Μεταδεδομένων
Σε αυτήν τη σελίδα
Ενημέρωση 2 Νοεμβρίου 2026 — OCR. Το OCR 4.0 (
mistral-ocr-4-0) αποσύρθηκε στις 30 Σεπτεμβρίου 2026. Χρησιμοποιήστε το OCR 4.1 (mistral-ocr-4-1), το οποίο είναι γενικά διαθέσιμο από τις 31 Αυγούστου στην ίδια τιμή, ή το ψευδώνυμοmistral-ocr-latest, το οποίο δείχνει σε αυτό από τις 16 Ιουλίου. Το OCR 4.1 προσθέτει βαθμολογίες εμπιστοσύνης σε επίπεδο μπλοκ. Προσθήκη 3 Νοεμβρίου 2026: Ένα τοπικό αρχείο PDF μεταδίδεται σε base64 ως{"type": "document_url", "document_url": "data:application/pdf;base64,…"}· ο τύποςdocument_base64από παλαιότερα παραδείγματα δεν υπάρχει ούτε στην τεκμηρίωση ούτε στο SDKmistralai, και εκείνα τα παραδείγματα θα απέτυγχαν. Πηγές: Επεξεργαστής OCR · Ερωτήσεις και Απαντήσεις Εγγράφων. Διορθώθηκε στις 3 Νοεμβρίου 2026: Ο κώδικας προηγουμένως διάβαζε τοpage.document_annotationσελίδα προς σελίδα· στο SDKmistralai3.7.0, ο σχολιασμός εγγράφου είναι ένα ενιαίο πεδίο στην απάντηση (response.document_annotation), και ο σχολιασμός εικόνας διαβάζεται από τοimage.image_annotation.
Εξάγετε ακριβώς αυτό που χρειάζεστε
Ο σχολιασμός εγγράφων δεν αφορά απλώς την ανάκτηση ακατέργαστου κειμένου. Παράγει δομημένα, τυποποιημένα και επικυρωμένα δεδομένα, έτοιμα για άμεση χρήση στα συστήματά σας: μια εγγραφή που εισάγεται σε μια βάση δεδομένων, ένα πεδίο που συγκρίνεται με μια αναφορά ή ένα ποσό που επαληθεύεται πριν την πληρωμή. Η πρόκληση μετατοπίζεται πλήρως στον σχεδιασμό του σχήματος, το οποίο αποτελεί το επίκεντρο αυτού του μαθήματος.
Δομή αντί για ισοπέδωση
Ένα σχήμα εξαγωγής πρέπει να αντικατοπτρίζει την πραγματικότητα του εγγράφου. Ένα τιμολόγιο προέρχεται από μια νομική οντότητα με εταιρική επωνυμία, αριθμό SIRET (γαλλικός αριθμός επιχείρησης) και διεύθυνση. Αντί να ευθυγραμμίζετε οκτώ πεδία όπως emetteur_rue, emetteur_ville, emetteur_siret, ορίστε ένα μοντέλο Adresse και στη συνέχεια ένα μοντέλο LegalEntity που το περιέχει. Επαναχρησιμοποιήστε αυτά τα δομικά στοιχεία τόσο για τον εκδότη όσο και για τον παραλήπτη. Η απαρίθμηση TypeDocument διαδραματίζει παρόμοιο ρόλο: εμποδίζει το μοντέλο να επινοήσει μια κατηγορία και εγγυάται μια τιμή που μπορείτε να χρησιμοποιήσετε σε μια εντολή if ή για δρομολόγηση. Τα πεδία Optional δηλώνουν ρητά τι μπορεί να λείπει, ενώ οι προεπιλεγμένες τιμές—όπως default="France" για τη χώρα—γλιτώνουν το μοντέλο από το να μαντέψει τα αυτονόητα.
from pydantic import BaseModel, Field
from typing import Optional
from enum import Enum
class DocumentType(str, Enum):
INVOICE = "facture"
CONTRACT = "contrat"
REPORT = "rapport"
FORM = "formulaire"
OTHER = "autre"
class Address(BaseModel):
street: Optional[str] = Field(None, description="Numéro et street")
postal_code: Optional[str] = Field(None, description="Code postal")
city: Optional[str] = Field(None, description="Ville")
country: str = Field(default="France", description="Pays")
class LegalEntity(BaseModel):
name: str = Field(..., description="Raison sociale")
siret: Optional[str] = Field(None, description="Numéro SIRET")
address: Optional[Address] = Field(None, description="Address postale")
email: Optional[str] = Field(None, description="Address email")
class DocumentExtraction(BaseModel):
document_type: DocumentType = Field(
..., description="Type du document"
)
date: Optional[str] = Field(
None, description="Date principale (YYYY-MM-DD)"
)
emetteur: LegalEntity = Field(
..., description="Entité qui émet le document"
)
destinataire: Optional[LegalEntity] = Field(
None, description="Entité destinataire"
)
resume: str = Field(
..., description="Résumé en 2-3 phrases du contenu"
)
langue: str = Field(
..., description="Langue du document (code ISO 639-1)"
)
Επαναλαμβανόμενα δεδομένα
Πολλά έγγραφα περιέχουν σειρές: γραμμές τιμολόγησης, ρήτρες ή στοιχεία εξόδων. Μοντελοποιήστε τα ως list[...] ενός αφιερωμένου υπο-μοντέλου. Το μοντέλο στη συνέχεια σαρώνει τον πίνακα του εγγράφου και παράγει τόσα αντικείμενα LigneFacture όσες γραμμές βρει, συμπεριλαμβανομένης της περιγραφής, της ποσότητας, της μοναδιαίας τιμής και του συνόλου για καθεμία. Αυτό σας παρέχει αρκετά δεδομένα για να υπολογίσετε ξανά μόνοι σας το υποσύνολο και να επαληθεύσετε τη συνοχή του εγγράφου πριν το αποδεχτείτε.
from pydantic import BaseModel, Field
class InvoiceLine(BaseModel):
description: str = Field(..., description="Description du produit/service")
quantity: float = Field(..., description="Quantité")
unit_price: float = Field(..., description="Prix unitaire HT")
amount: float = Field(..., description="Montant total HT de la ligne")
class DetailedInvoice(BaseModel):
supplier: str = Field(..., description="Nom du supplier")
number: str = Field(..., description="Numéro de facture")
date: str = Field(..., description="Date (YYYY-MM-DD)")
lines: list[InvoiceLine] = Field(
..., description="Lignes de la facture"
)
subtotal_excl_tax: float = Field(..., description="Sous-total HT")
vat: float = Field(..., description="Montant TVA")
total_incl_tax: float = Field(..., description="Total TTC")
payment_terms: str = Field(
..., description="Conditions de paiement mentionnées"
)
Πλαίσια ελέγχου και φόρμες
Οι σαρωμένες έντυπες φόρμες είναι το πεδίο όπου το μοντέλο διαπρέπει. Ένα πεδίο bool σε συνδυασμό με την ετικέτα της ερώτησης αρκεί: το μοντέλο αναγνωρίζει εάν ένα πλαίσιο είναι επιλεγμένο, εξάγει την αντίστοιχη ερώτηση και—το κρίσιμο για ιατρική ή διοικητική χρήση—συμπεραίνει ότι ένα πεδίο λείπει αντί να επινοήσει μια τιμή, όπως κατέδειξε η ομάδα της Mistral. Η σημείωση “null if not provided” στην περιγραφή του τηλεφώνου δεν είναι διακοσμητική· επιτρέπει ρητά μια κενή τιμή.
from pydantic import BaseModel, Field
class FormResponse(BaseModel):
question: str = Field(..., description="Intitulé de la question")
answer: bool = Field(..., description="True si coché, False sinon")
class MedicalForm(BaseModel):
patient_name: str = Field(..., description="Nom complet du patient")
age: Optional[int] = Field(None, description="Âge du patient")
sex: Optional[str] = Field(None, description="Sexe (M/F)")
patient_id: Optional[str] = Field(None, description="ID patient")
phone: Optional[str] = Field(
None, description="Numéro de téléphone (null si non fourni)"
)
responses: list[FormResponse] = Field(
..., description="Réponses aux questions du formulaire"
)
Υλοποίηση από άκρο σε άκρο
Λάβετε το παράδειγμα του αναλυτικού τιμολογίου και συνδέστε το με ένα έγγραφο κωδικοποιημένο σε base64. Η προτροπή σχολιασμού συμπληρώνει το σχήμα καθορίζοντας τον τύπο αρχείου και τονίζοντας την προσοχή στις γραμμές τιμολόγησης· η επικύρωση Pydantic κατά την επιστροφή μετατρέπει τη συμβολοσειρά JSON σε ένα αντικείμενο που μπορείτε να διατρέξετε με ασφάλεια.
import os
import json
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
document_annotation_format=response_format_from_pydantic_model(
DetailedInvoice
),
document_annotation_prompt=(
"Ce document est une invoice. Extrais toutes les lines "
"de facturation avec leurs montants."
)
)
# Extraction and validation
if ocr_response.document_annotation:
invoice = DetailedInvoice.model_validate_json(
ocr_response.document_annotation
)
print(f"Facture {invoice.numero} - {invoice.fournisseur}")
print(f"Date : {invoice.date}")
print(f"\nLignes :")
for line in invoice.lines:
print(f" - {line.description}: {line.quantite} x "
f"{line.prix_unitaire}€ = {line.montant}€")
print(f"\nTotal TTC : {invoice.total_incl_tax}€")
Τα φτωχά αποτελέσματα εξαγωγής σχεδόν πάντα πηγάζουν από το σχήμα, σπάνια από το μοντέλο. Αναθεωρήστε τις περιγραφές σας μία προς μία: πρέπει να είναι ακριβείς και σαφείς, καθώς το μοντέλο βασίζεται αποκλειστικά σε αυτές για να κατανοήσει τις προσδοκίες σας. Γράψτε τες στη γλώσσα των εγγράφων σας—τα Γαλλικά λειτουργούν άψογα για γαλλικά τιμολόγια—και κρατήστε τις απαριθμήσεις (enums) για πεδία με περιορισμένες τιμές και τα υπο-μοντέλα για δομές που θα επαναχρησιμοποιήσετε σε διάφορα σχήματα.
Βασικά σημεία
- Τα σχήματα Pydantic επιτρέπουν την εξαγωγή τυποποιημένων και επικυρωμένων δεδομένων
- Χρησιμοποιήστε σύνθετους τύπους (λίστες, απαριθμήσεις, εμφωλευμένα μοντέλα) για ακριβείς εξαγωγές
- Το μοντέλο διαχειρίζεται αξιόπιστα τα προαιρετικά πεδία και τα πλαίσια ελέγχου
- Οι περιγραφές πεδίων καθοδηγούν την εξαγωγή: να είστε ακριβείς και ρητοί
- Συνδυάστε το
document_annotation_promptμε το σχήμα για μέγιστο πλαίσιο