Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Εξαγωγή Πινάκων και Δομής

Μάθημα 6 / 16 Ενημερώθηκε 2 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Πίνακες: Η Ιστορική Αδυναμία του OCR
  2. Η Παράμετρος table_format
  3. Ανάκτηση Πινάκων ως Δεδομένα
  4. Μετάβαση στο pandas για Ανάλυση
  5. Όταν οι Πίνακες Γίνονται Πολύπλοκοι
  6. 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.

Πίνακες: Η Ιστορική Αδυναμία του OCR

Ζητήστε από το Tesseract να εξάγει τον συνοπτικό πίνακα από μια οικονομική έκθεση και θα λάβετε μια σειρά γραμμών όπου οι τιμές από τη στήλη «Σύνολο» αναμειγνύονται με εκείνες της στήλης «Ποσότητα», χωρίς καμία ένδειξη που να τις συνδέει με τις αρχικές τους σειρές. Το πρόβλημα δεν είναι η αναγνώριση χαρακτήρων, η οποία λειτουργεί σωστά· είναι η πλήρης έλλειψη αντίληψης της πινακοειδούς δομής. Οι παραδοσιακές λύσεις διαβάζουν από αριστερά προς τα δεξιά και από πάνω προς τα κάτω, χάνοντας κατά τη διαδικασία τις σχέσεις μεταξύ στηλών και σειρών.

Το OCR 4 προσεγγίζει τη σελίδα διαφορετικά: την «βλέπει». Αυτή η οπτική κατανόηση του επιτρέπει να αποκαθιστά έναν πίνακα ως πίνακα και όχι ως επίπεδο κείμενο.

Η Παράμετρος table_format

Ελέγχετε την απόδοση των πινάκων με μια μοναδική παράμετρο που περνάτε στην κλήση OCR:

import os
from mistralai.client import Mistral

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

# Μορφή Markdown (συνιστάται για τις περισσότερες περιπτώσεις)
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://example.com/financial-report.pdf"
    },
    table_format="markdown"
)

Υπάρχουν τρεις πιθανές τιμές και η επιλογή δεν είναι αισθητική: καθορίζει τι μπορείτε να κάνετε με το αποτέλεσμα στη συνέχεια.

Με null, την προεπιλεγμένη τιμή, οι πίνακες ενσωματώνονται στη ροή Markdown χωρίς ειδική πινακοειδή μορφοποίηση. Αυτή η ρύθμιση λειτουργεί όταν δεν επεξεργάζεστε έγγραφα με πίνακες και θέλετε απλώς κείμενο για ευρετηρίαση.

Με "markdown", κάθε πίνακας αποδίδεται σε τυπική μορφή με κάθετους, παράγοντας έξοδο που είναι αναγνώσιμη ως έχει και εύκολη στην ανάλυση:

| Προϊόν | Ποσότητα | Τιμή Μονάδας | Σύνολο |
|---------|----------|------------|-------|
| Widget A | 100 | €12.50 | €1,250 |
| Widget B | 50 | €25.00 | €1,250 |
| **Σύνολο** | **150** | | **€2,500** |

Με "html", ο πίνακας αποδίδεται ως πλήρες HTML, διατηρώντας τις συγχωνεύσεις κελιών και την προηγμένη μορφοποίηση που το Markdown δεν μπορεί να εκφράσει:

<table>
  <thead>
    <tr>
      <th>Προϊόν</th>
      <th>Ποσότητα</th>
      <th>Τιμή Μονάδας</th>
      <th>Σύνολο</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>Widget A</td>
      <td>100</td>
      <td>€12.50</td>
      <td>€1,250</td>
    </tr>
  </tbody>
</table>

Στην πράξη, το Markdown καλύπτει τις περισσότερες ανάγκες: ευρετηρίαση RAG, αναζήτηση ή προβολή σε έναν επεξεργαστή. Μεταβείτε σε HTML μόλις οι πίνακές σας περιλαμβάνουν συγχωνευμένα κελιά ή το αποτέλεσμα πρέπει να ενσωματωθεί σε μια ιστοσελίδα. Διατηρήστε το null μόνο όταν οι πίνακες δεν έχουν σημασία στη ροή εργασίας σας—για παράδειγμα, σε μια αφηγηματική έκθεση ή αλληλογραφία.

Ανάκτηση Πινάκων ως Δεδομένα

Ένας πίνακας Markdown είναι ακόμα κείμενο. Για να τον μετατρέψετε σε χειρίσιμα δεδομένα, πρέπει να τον εντοπίσετε στη ροή και να τον διαχωρίσετε. Η παρακάτω συνάρτηση διατρέχει τις γραμμές, εντοπίζει εκείνες που ανήκουν σε πίνακα, αγνοεί τη γραμμή διαχωρισμού και κλείνει τον τρέχοντα πίνακα μόλις εμφανιστεί μια κανονική γραμμή:

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]]]:
    """Εξάγει πίνακες Markdown και τους μετατρέπει σε λίστες."""
    tables = []
    lines = markdown.split("\n")
    current_table = []
    in_table = False

    for line in lines:
        if "|" in line and line.strip().startswith("|"):
            # Αγνόηση γραμμής διαχωριστή (|---|---|)
            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


# Εξαγωγή OCR με πίνακες Markdown
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://example.com/invoice.pdf"
    },
    table_format="markdown"
)

# Επανάληψη στις σελίδες και εξαγωγή πινάκων
for page in ocr_response.pages:
    tables = extract_markdown_tables(page.markdown)
    for i, table in enumerate(tables):
        print(f"Σελίδα {page.index + 1}, Πίνακας {i + 1}:")
        print(json.dumps(table, indent=2, ensure_ascii=False))

Ο τελικός έλεγχος έξω από τον βρόχο δεν είναι διακοσμητικός: χωρίς αυτόν, ένας πίνακας στο τέλος μιας σελίδας—μια συχνή περίπτωση για σύνοψη τιμολογίου—δεν θα προστίθετο ποτέ στη λίστα, καθώς δεν εμφανίζεται καμία κανονική γραμμή για να τον κλείσει.

Μετάβαση στο pandas για Ανάλυση

Μια λίστα από λίστες αρκεί για εξαγωγή, όχι για υπολογισμούς. Η μετατροπή σε DataFrame σημαίνει την προαγωγή της πρώτης σειράς σε επικεφαλίδες:

import pandas as pd

def tables_to_dataframes(markdown: str) -> list[pd.DataFrame]:
    """Μετατρέπει πίνακες Markdown σε pandas DataFrames."""
    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

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

Ο έλεγχος len(table) < 2 φιλτράρει τα ψευδώς θετικά αποτελέσματα: μια μεμονωμένη γραμμή που περιέχει κάθετο, μέσα σε μπλοκ κώδικα ή σε μια διεύθυνση, δεν θα παράγει ένα σπασμένο, κενό DataFrame. Λάβετε υπόψη ότι οι τιμές παραμένουν συμβολοσειρές· η μετατροπή του «€1,250» σε αριθμό εξακολουθεί να εξαρτάται από εσάς.

Όταν οι Πίνακες Γίνονται Πολύπλοκοι

Τα συγχωνευμένα κελιά, οι επικεφαλίδες δύο επιπέδων ή οι ακανόνιστες διατάξεις ωθούν το Markdown πέρα από τα εκφραστικά του όρια. Σε αυτή την περίπτωση, μεταβείτε σε HTML και αφήστε το BeautifulSoup και το pandas να χειριστούν την ανάλυση:

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)

Αυτή η προσέγγιση σας γλιτώνει από τη συγγραφή ενός parser: το pd.read_html χειρίζεται τα χαρακτηριστικά rowspan και colspan που ο χειροκίνητος διαχωρισμός σας θα έχανε. Το κόστος είναι μια επιπλέον εξάρτηση και μια ελαφρώς πιο verbose έξοδος—μια ανταλλαγή που αξίζει τον κόπο για οικονομικές εκθέσεις ή κανονιστικούς πίνακες.

Βασικά σημεία

  • Η παράμετρος table_format ελέγχει την απόδοση των πινάκων (null, markdown, html)
  • Η μορφή Markdown ταιριάζει στις περισσότερες περιπτώσεις χρήσης
  • Η μορφή HTML διατηρεί τα συγχωνευμένα κελιά και την προηγμένη μορφοποίηση
  • Οι εξαγόμενοι πίνακες μπορούν να μετατραπούν σε pandas DataFrames για ανάλυση
  • Το OCR 4 ανακατασκευάζει πιστά την πινακοειδή δομή, ακόμη και σε πολύπλοκες διατάξεις