Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Η πρώτη σας κλήση OCR σε Python

Μάθημα 5 / 16 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Από τη Θεωρία στον Κώδικα
  2. Το Ελάχιστο Σενάριο
  3. Επεξεργασία Αρχείου από τον Υπολογιστή Σας
  4. Αποθήκευση της Εξαγωγής
  5. Η Περίπτωση μιας Μεμονωμένης Εικόνας
  6. Ανασύνθεση ενός Εικονογραφημένου Εγγράφου
  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: Ένα τοπικό PDF μεταδίδεται σε base64 ως {"type": "document_url", "document_url": "data:application/pdf;base64,…"}· ο τύπος document_base64 από παλαιότερα παραδείγματα δεν υπάρχει ούτε στην τεκμηρίωση ούτε στο SDK mistralai, και εκείνα τα παραδείγματα θα απέτυγχαν. Πηγές: Επεξεργαστής OCR · Ερωτήσεις και Απαντήσεις Εγγράφων.

Από τη Θεωρία στον Κώδικα

Γνωρίζετε πλέον το endpoint και τις παραμέτρους του. Ήρθε η ώρα να γράψετε ένα πλήρες σενάριο που εξάγει κείμενο από ένα PDF, από την πρώτη γραμμή εισαγωγής μέχρι το αρχείο Markdown που αποθηκεύεται στον δίσκο σας. Θα ξεκινήσουμε με την απλούστερη περίπτωση—ένα δημόσιο έγγραφο—και στη συνέχεια θα προχωρήσουμε σε αυτό που θα συναντήσετε στην πράξη: τοπικά αρχεία, μεμονωμένες εικόνες και εικονογραφημένα έγγραφα που χρειάζονται ανασύνθεση.

Δύο προαπαιτούμενα, που έχουν ήδη καλυφθεί αλλά αξίζει να επαληθεύσετε πριν χάσετε δέκα λεπτά σε ένα σφάλμα πιστοποίησης:

pip install mistralai
export MISTRAL_API_KEY="your-api-key"

Το Ελάχιστο Σενάριο

Ορίστε η πλήρης εξαγωγή ενός PDF προσβάσιμου online. Τρεις χρήσιμες γραμμές: δημιουργίααντικείμενο του client, κλήση του process και επανάληψη στις σελίδες.

import os
from mistralai.client import Mistral

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

# OCR call on a public PDF
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://arxiv.org/pdf/2201.04234"
    }
)

# Display the number of pages
print(f"Number of pages: {len(ocr_response.pages)}")

# Display the content of each page
for page in ocr_response.pages:
    print(f"\n--- Page {page.index + 1} ---")
    print(page.markdown)

Σημειώστε το page.index + 1: το ευρετήριο που επιστρέφει το API ξεκινά από το μηδέν, ενώ οι χρήστες σας μετρούν από το ένα. Πρόκειται για μια μικρή μετατόπιση αρκεί να την έχετε υπόψη, αλλά αποτελεί πηγή διαρκούς σύγχυσης όταν την ανακαλύπτετε σε μια αναφορά που παραδόθηκε σε έναν πελάτη.

Επεξεργασία Αρχείου από τον Υπολογιστή Σας

Στην πραγματική ζωή, τα έγγραφα σπάνια φτάνουν μέσω δημόσιας URL. Τα έχετε στον δίσκο, είναι εμπιστευτικά, οπότε τα κωδικοποιείτε σε base64. Το παρακάτω σενάριο επεξεργάζεται ένα τιμολόγιο προμηθευτή και συνενώνει όλες τις σελίδες σε ένα ενιαίο μπλοκ κειμένου:

import os
import base64
from mistralai.client import Mistral

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

# Read and encode the local file
file_path = "supplier_invoice.pdf"

with open(file_path, "rb") as f:
    document_base64 = base64.b64encode(f.read()).decode("utf-8")

# OCR call
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": f"data:application/pdf;base64,{document_base64}"
    }
)

# Concatenate all text
full_text = "\n\n".join(
    page.markdown for page in ocr_response.pages
)

print(full_text)

Η συνένωση μέσω "\n\n".join(...) λειτουργεί καλά για εμφάνιση ή αναζήτηση πλήρους κειμένου. Ωστόσο, διαγράφει το όριο μεταξύ των σελίδων: αν αργότερα χρειαστεί να αναφέρετε μια πηγή ή να κατευθύνετε έναν χρήστη στη σωστή σελίδα μιας σύμβασης, διατηρήστε τη δομή σελίδα προς σελίδα αντί για αυτό το ενιαίο μπλοκ.

Αποθήκευση της Εξαγωγής

Κάθε κλήση OCR κοστίζει χρήματα και χρόνο. Η επανεκτέλεση της εξαγωγής της ίδιας αναφοράς διακοσίων σελίδων επειδή ξεχάσατε να αποθηκεύσετε το αποτέλεσμα είναι ένα λάθος που το κάνετε μόνο μία φορά. Η παρακάτω συνάρτηση γράφει το Markdown σε ένα αρχείο, σημειώνοντας τα όρια των σελίδων με ένα σχόλιο και έναν διαχωριστή:

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:
    """Extracts text from a PDF and saves it as 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"Extraction complete: {len(ocr_response.pages)} pages")
    print(f"Result saved to: {output_path}")


# Usage
extract_pdf("annual_report.pdf", "annual_report.md")

Το σχόλιο HTML <!-- Page N --> είναι αόρατο στην προβολή απόδοσης αλλά παραμένει παρόν στο αρχείο: μπορείτε να το βρείτε μέσω κανονικής έκφρασης για να ανακατασκευάσετε τη σελιδοποίηση κατά την ευρετηρίαση.

Η Περίπτωση μιας Μεμονωμένης Εικόνας

Το OCR 4 δεν περιορίζεται στα PDF. Μια φωτογραφία τιμολογίου τραβηγμένη με κινητό, μια σαρωμένη απόδειξη, ένα στιγμιότυπο οθόνης—όλα αποστέλλονται με τον ίδιο τρόπο, χρησιμοποιώντας τον τύπο image_base64:

import os
import base64
from mistralai.client import Mistral

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

# Encode an image
with open("scanned_invoice.png", "rb") as f:
    image_base64 = base64.b64encode(f.read()).decode("utf-8")

# OCR call on an image
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "image_base64",
        "image_base64": image_base64
    }
)

# A single "page" for an image
print(ocr_response.pages[0].markdown)

Η απάντηση διατηρεί την ίδια μορφή: μια λίστα σελίδων, η οποία εδώ περιέχει μόνο μία. Ο κώδικας επεξεργασίας σας παραμένει επομένως ίδιος ανεξάρτητα από τον τύπο του αρχείου εισόδου, γεγονός που απλοποιεί greatly τις μικτές ροές εργασίας.

Ανασύνθεση ενός Εικονογραφημένου Εγγράφου

Το επιστρεφόμενο Markdown αναφέρεται στις εικόνες ως ![imageN.jpg](imageN.jpg), χωρίς να τις ενσωματώνει. Αν θέλετε ένα αυτόνομο αρχείο—μια αναφορά αναγνώσιμη offline, μια προεπισκόπηση για αποστολή μέσω email—ζητήστε τις εικόνες σε base64 και αντικαταστήστε κάθε αναφορά με ένα 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

    # Replace image references with base64
    for image in page.images:
        placeholder = f"![{image.id}]({image.id})"
        data_uri = f"![{image.id}](data:image/jpeg;base64,{image.image_base64})"
        markdown = markdown.replace(placeholder, data_uri)

    print(markdown[:500])

Το προκύπτον αρχείο μεγαλώνει γρήγορα, καθώς το base64 ζυγίζει περίπου το ένα τρίτο περισσότερο από το αρχικό δυαδικό. Κρατήστε αυτή την ανασύνθεση για έγγραφα που χρειάζεται να κάνετε αυτόνομα και διατηρήστε τις εικόνες ως ξεχωριστά αρχεία στις ροές ευρετηρίασής σας.

Πριν προχωρήσετε, πάρτε ένα έγγραφο που διαθέτετε—ένα τιμολόγιο, μια σύμβαση, μια σαρωμένη σελίδα—και εκτελέστε το μέσω του σεναρίου τοπικής εξαγωγής. Συγκρίνετε το προκύπτον Markdown με το πρωτότυπο γραμμή προς γραμμή: οι αποκλίσεις που θα βρείτε, ένας πίνακας που ανακατασκευάστηκε άσχημα ή μια κεφαλίδα που απορροφήθηκε στο κυρίως κείμενο, είναι ακριβώς τα προβλήματα που θα σας διδάξουν να χειρίζεστε τα επόμενα τρία μαθήματα.

Βασικά σημεία

  • Η κλήση OCR απαιτεί 3 γραμμές: client, process, ανάγνωση σελίδων
  • Χρησιμοποιήστε base64 για τοπικά αρχεία, URL για δημόσια έγγραφα
  • Το αποτέλεσμα είναι δομημένο Markdown, έτοιμο προς χρήση
  • Οι εξαγόμενες εικόνες μπορούν να συνδυαστούν ξανά με το κείμενο
  • Πάντα να αποθηκεύετε τις εξαγωγές σας για να αποφύγετε επαναλαμβανόμενες κλήσεις API