Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Το OCR API της Mistral

Μάθημα 4 / 16 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Ένα ενιαίο σημείο εισόδου
  2. Εγκατάσταση και διαμόρφωση
  3. Παράμετροι κλήσης
  4. Τρεις τρόποι αποστολής εγγράφου
  5. Ανάγνωση της απόκρισης
  6. Όρια και σφάλματα
  7. Βασικά σημεία

Ενημερώθηκε στις 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 ψευδώνυμο mistral-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: Για να στείλετε ένα τοπικό αρχείο PDF, κωδικοποιήστε το σε base64 ως {"type": "document_url", "document_url": "data:application/pdf;base64,…"}. Ο τύπος document_base64 που βρίσκεται σε παλαιότερα παραδείγματα δεν υπάρχει ούτε στην τεκμηρίωση ούτε στο SDK mistralai, και εκείνα τα παραδείγματα θα απέτυγχαν. Πηγές: Επεξεργαστής OCR · Ερωτήσεις και Απαντήσεις Εγγράφων.

Ένα ενιαίο σημείο εισόδου

Όλη η εξαγωγή εγγράφων περνάει από ένα μοναδικό endpoint: /v1/ocr, ή το ισοδύναμό του στο Python SDK, client.ocr.process(). Είτε επεξεργάζεστε μια φωτογραφία μιας απόδειξης είτε μια ετήσια έκθεση 800 σελίδων, η κλήση είναι η ίδια. Αυτό το μάθημα λεπτομερεί τον τρόπο διαμόρφωσής του, τους τρεις τρόπους μετάδοσης ενός εγγράφου σε αυτό και τι επιστρέφει.

Εγκατάσταση και διαμόρφωση

Η εγκατάσταση απαιτεί μία μόνο εντολή:

pip install mistralai

Στη συνέχεια, δημιουργήστε ένα στιγμιότυπο του client με το κλειδί API σας:

from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")

Αυτή η προσέγγιση λειτουργεί για ένα γρήγορο τεστ σε ένα notebook, αλλά ελλοχεύει ο κίνδυνος accidental commit του κλειδιού σας. Μόλις ο κώδικας βγει από το μηχάνημά σας, χρησιμοποιήστε μια μεταβλητή περιβάλλοντος:

export MISTRAL_API_KEY="your-api-key"
import os
from mistralai.client import Mistral

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

Θα χρησιμοποιήσουμε αυτή τη δεύτερη μορφή σε όλα τα επόμενα μαθήματα.

Παράμετροι κλήσης

Η κλήση client.ocr.process() απαιτεί μόνο δύο παραμέτρους: το model, πάντα ορισμένο σε "mistral-ocr-latest", και το document, το οποίο περιγράφει το αρχείο προς επεξεργασία σε μία από τις τρεις μορφές που λεπτομερούνται παρακάτω.

Άλλες παράμετροι προσαρμόζουν την έξοδο στις ανάγκες σας:

  • table_format: Μορφή πινάκων (null, "markdown", "html")
  • include_image_base64: True για λήψη εικόνων σε base64
  • bbox_annotation_format: Σχήμα σχολιασμού οριοθετητικού πλαισίου (bounding box)
  • document_annotation_format: Σχήμα πλήρους σχολιασμού εγγράφου
  • document_annotation_prompt: Οδηγίες υψηλού επιπέδου για σχολιασμό

Οι δύο πρώτες αφορούν το ίδιο το OCR και θα τις διαχειριστείτε στα επόμενα μαθήματα. Οι τρεις τελευταίες σχετίζονται με σχολιασμούς, οι οποίοι καλύπτονται ξεκινώντας από το Μάθημα 9· προς το παρόν, απλώς θυμηθείτε ότι σας επιτρέπουν να ζητήσετε δομημένη εξαγωγή στην ίδια κλήση, χωρίς δεύτερο γύρο επικοινωνίας.

Τρεις τρόποι αποστολής εγγράφου

Ο πρώτος, ένα δημόσιο URL, είναι ο πιο άμεσος όταν το αρχείο είναι ήδη προσβάσιμο online—μια δημοσιευμένη έκθεση, ένα συνημμένο αποθηκευμένο σε έναν δημόσιο κάδο:

ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://example.com/document.pdf"
    }
)

Ο δεύτερος είναι απαραίτητος για έγγραφα που βρίσκονται στο μηχάνημά σας ή σε ιδιωτικό αποθηκευτικό χώρο. Τα κωδικοποιείτε σε base64 και τα στέλνετε στο σώμα του αιτήματος. Αυτή είναι η προεπιλεγμένη μέθοδος για οτιδήποτε εμπιστευτικό, καθώς δεν χρειάζεται να εκτεθεί κανένα URL:

import base64

with open("my_document.pdf", "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}"
    }
)

Ο τρίτος χρησιμοποιεί το Files API. Ανεβάζετε το αρχείο μία φορά, ανακτάτε ένα ID και στη συνέχεια το αναφέρετε στις κλήσεις σας. Το όφελος φαίνεται σε μεγάλα έγγραφα, ή όταν το ίδιο αρχείο πρέπει να επεξεργαστεί πολλές φορές—μια εξαγωγή OCR σήμερα, ένας σχολιασμός με διαφορετικό σχήμα αύριο: δεν μεταφέρετε ξανά 40 MB σε κάθε προσπάθεια.

# Ανεβάστε το αρχείο
uploaded_file = client.files.upload(
    file=open("my_document.pdf", "rb"),
    purpose="ocr"
)

# Χρησιμοποιήστε το ανεβασμένο αρχείο
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "file_id",
        "file_id": uploaded_file.id
    }
)

Ανάγνωση της απόκρισης

Η απόκριση εκθέτει μια λίστα σελίδων, και κάθε σελίδα φέρει το περιεχόμενό της μαζί με τα μεταδεδομένα της. Ένας ελάχιστος βρόχος αρκεί για να επαληθεύσετε ότι η εξαγωγή πήγε καλά:

for page in ocr_response.pages:
    print(f"Page {page.index}")
    print(f"Content: {page.markdown[:200]}...")
    print(f"Images: {len(page.images)} found")
    print(f"Header: {page.header}")
    print(f"Footer: {page.footer}")
    print(f"Dimensions: {page.dimensions}")

Κάντε συνήθεια να εκτελείτε αυτό το είδος βρόχου σε ένα δείγμα εγγράφου πριν βιομηχανοποιήσετε οτιδήποτε: σας λέει σε τρία δευτερόλεπτα αν ο αριθμός σελίδων ταιριάζει, αν εντοπίστηκαν εικόνες και αν οι κεφαλίδες έχουν απομονωθεί σωστά από το κυρίως κείμενο.

Όρια και σφάλματα

Τρεις περιορισμοί διέπουν τη χρήση: μέγιστο 50 MB ανά αρχείο, 1.000 σελίδες ανά έγγραφο και μορφές εισόδου PDF, PNG, JPEG, AVIF, PPTX και DOCX. Επιπλέον, υπάρχει ο περιορισμός ρυθμού (rate limiting), με ένα κατώφλι που εξαρτάται από το επίπεδο συνδρομής σας—ένα σημείο που πρέπει να ελέγξετε πριν από μαζική παραλληλοποίηση, διαφορετικά κινδυνεύετε να δείτε τις κλήσεις σας να απορρίπτονται μαζικά.

Αυτά τα όρια, όπως και τα περιστατικά δικτύου, εκδηλώνονται ως εξαιρέσεις που πρέπει να πιάσετε. Μια εργασία batch που σταματά στο τιμολόγιο αριθμός 300 επειδή ένα αρχείο υπερβαίνει το επιτρεπόμενο μέγεθος είναι μια αποφεύξιμη σπατάλη χρόνου:

from mistralai.client import Mistral
from mistralai.client.errors import SDKError

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

try:
    ocr_response = client.ocr.process(
        model="mistral-ocr-latest",
        document={
            "type": "document_url",
            "document_url": "https://example.com/document.pdf"
        }
    )
except SDKError as e:
    print(f"API Error: {e.status_code} - {e.message}")
except Exception as e:
    print(f"Unexpected error: {e}")

Η διάκριση των δύο επιπέδων εξαιρέσεων είναι χρήσιμη: το SDKError σας δίνει έναν κωδικό κατάστασης βάσει του οποίου αποφασίζετε αν θα κάνετε επανάληψη—ένα 429 πρέπει να επαναληφθεί μετά από καθυστέρηση, ένα 400 ποτέ—ενώ το γενικό μπλοκ πιάνει τοπικά προβλήματα, όπως ένα λείπον αρχείο ή αδύνατη κωδικοποίηση.

Βασικά σημεία

  • Το endpoint OCR είναι το client.ocr.process() με το μοντέλο mistral-ocr-latest
  • Τρεις μέθοδοι αποστολής: δημόσιο URL, base64, ανεβασμένο αρχείο
  • Οι προαιρετικές παράμετροι ελέγχουν τη μορφή πινάκων και τη συμπερίληψη εικόνων
  • Η απόκριση είναι δομημένη σελίδα προς σελίδα με Markdown, εικόνες και μεταδεδομένα
  • Σεβαστείτε τα όρια των 50 MB και των 1.000 σελίδων ανά έγγραφο