Κεφαλίδες, υποσέλιδα και αρίθμηση σελίδων
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 2 Νοεμβρίου 2026 — OCR. Το μοντέλο 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.
Διαχωρισμός διακόσμησης από περιεχόμενο
Από την έκδοση OCR 2512 (Δεκέμβριος 2025), το μοντέλο OCR της Mistral εξάγει τις κεφαλίδες και τα υποσέλιδα ξεχωριστά για κάθε σελίδα. Αυτό το χαρακτηριστικό μπορεί να φαίνεται τετριμμένο μέχρι να ευρετηριάσετε ένα συμβόλαιο 120 σελίδων: το όνομα του δικηγορικού γραφείου, η σήμανση «Εμπιστευτικό» και οι αριθμοί σελίδων εμφανίζονται 120 φορές, μολύνοντας κάθε αποτέλεσμα αναζήτησης. Σε επίσημα έγγραφα—συμβόλαια, ετήσιες εκθέσεις, κανονιστικά κείμενα—αυτός ο διαχωρισμός μεταμορφώνει την ποιότητα όλων των επόμενων βημάτων.
Το δίλημμα είναι υπαρκτό. Αυτά τα στοιχεία επαναλαμβάνονται μηχανικά σε κάθε σελίδα, δημιουργώντας θόρυβο τόσο στην ευρετηρίαση όσο και στις απαντήσεις των συστημάτων RAG. Ωστόσο, μερικές φορές περιέχουν τα μόνα αξιόπιστα μεταδεδομένα του εγγράφου: αριθμό έκδοσης, ημερομηνία έκδοσης, επίπεδο ταξινόμησης. Η ξεχωριστή εξαγωγή τους, αντί για τη διαγραφή ή την αφήνωσή τους στο κυρίως κείμενο, σας επιτρέπει να αποφασίζετε κατά περίπτωση.
Πρόσβαση στα πεδία
Τα πεδία header και footer είναι διαθέσιμα απευθείας σε κάθε σελίδα της απόκρισης:
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"--- Page {page.index + 1} ---")
if page.header:
print(f"Header: {page.header}")
print(f"Content: {page.markdown[:100]}...")
if page.footer:
print(f"Footer: {page.footer}")
print()
Οι έλεγχοι if page.header δεν είναι περιττοί: δεν έχει κάθε σελίδα κεφαλίδα, ξεκινώντας από τις εξώφυλλα, οπότε σε αυτή την περίπτωση το πεδίο είναι None.
Ανακατασκευή αρίθμησης σελίδων
Κάθε σελίδα έχει ευρετηρίαση ξεκινώντας από το μηδέν. Για ένα έγγραφο πολλών σελίδων που σκοπεύετε να αποθηκεύσετε ή να επιστρέψετε σε μια εφαρμογή, είναι καλύτερο να κανονικοποιήσετε τη δομή άμεσα: αριθμός αναγνώσιμος από τον άνθρωπο, περιεχόμενο, διακόσμηση, διαστάσεις και αριθμός εικόνων.
def extract_with_pagination(ocr_response) -> dict:
"""Extract content while preserving pagination."""
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
Οι τελεστές or "" και οι φύλακες στο page.dimensions μετατρέπουν πιθανές τιμές null σε ουδέτερες προεπιλογές. Αυτό αποτρέπει ένα AttributeError στη μέση μιας δέσμης κατά την επεξεργασία του 80ού εγγράφου.
Οι διαστάσεις εκφράζονται σε σημεία PDF, όπου ένα σημείο ισούται με 1/72 της ίντσας. Οι μορφές που θα συναντήσετε συχνότερα:
- A4: 595 x 842 σημεία
- Letter: 612 x 792 σημεία
- A3: 842 x 1191 σημεία
Αυτές οι πληροφορίες σας βοηθούν να εντοπίσετε σελίδες που αποκλίνουν σε μια δέσμη—ένα σχέδιο A3 που γλίστρησε ανάμεσα σε φύλλα A4, ή μια σάρωση σε ασυνήθιστη κλίμακα. Η μετατροπή σε εκατοστά κάνει τη διάγνωση άμεση:
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"Page {page.index + 1}: {width_cm:.1f} x {height_cm:.1f} cm")
Καθαρό περιεχόμενο για RAG
Ανάλογα με το έγγραφο, η κεφαλίδα και το υποσέλιδο μπορεί επίσης να εμφανίζονται στο κύριο markdown. Πριν την ευρετηρίαση, αφαιρέστε τα όταν πραγματικά πλαισιώνουν το περιεχόμενο:
def main_content(ocr_response) -> str:
"""Extract only the main content, without headers/footers."""
parts = []
for page in ocr_response.pages:
content = page.markdown
# Optional: remove headers/footers from markdown
# if they are included in the main content
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)
Οι συνθήκες startswith και endswith είναι σκόπιμα προσεκτικές: αφαιρούμε τη συμβολοσειρά μόνο αν εμφανίζεται πραγματικά στην αρχή ή στο τέλος της σελίδας. Η τυφλή αφαίρεση μέσω replace κινδυνεύει να διαγράψει μια νόμιμη εμφάνιση του ονόματος της εταιρείας στη μέση του κειμένου.
Αξιοποίηση μεταδεδομένων υποσέλιδου
Μόλις απομονωθούν τα υποσέλιδα, λίγες κανονικές εκφράσεις αρκούν για την εξαγωγή δομημένων μεταδεδομένων: αρίθμηση σελίδων σε μορφή «3 / 40», ημερομηνία έκδοσης, αριθμός έκδοσης και επίπεδο ταξινόμησης.
import re
def extract_footer_metadata(ocr_response) -> dict:
"""Extract metadata from footers."""
metadata = {
"page_numbers": [],
"dates": [],
"versions": [],
"classifications": [],
}
for page in ocr_response.pages:
footer = page.footer or ""
# Page number search
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)}"
)
# Date search
match_date = re.search(r"\d{2}/\d{2}/\d{4}", footer)
if match_date:
metadata["dates"].append(match_date.group())
# Version search
match_version = re.search(r"v(?:ersion)?\s*(\d+\.?\d*)", footer, re.I)
if match_version:
metadata["versions"].append(match_version.group(1))
# Classification (Confidential, Public, etc.)
for classification in ["confidential", "public", "internal", "secret"]:
if classification in footer.lower():
metadata["classifications"].append(classification)
return metadata
Η αξία ξεπερνά την απλή τεκμηρίωση. Η ταξινόμηση που εντοπίζεται εδώ μπορεί να καθοδηγήσει την επεξεργασία downstream: δρομολόγηση στοιχείων με σήμανση «εμπιστευτικό» σε ευρετήριο περιορισμένης πρόσβασης, ή άρνηση αποστολής τους σε εξωτερική υπηρεσία. Προφανώς, προσαρμόστε το λεξιλόγιο ώστε να ταιριάζει με την ορολογία του οργανισμού σας.
Επεξεργασία μόνο μέρους του εγγράφου
Για μεγάλα έγγραφα, συχνά χρειάζεστε μόνο μια ενότητα—τα οικονομικά παραρτήματα μιας έκθεσης, το υπογεγραμμένο κεφάλαιο ενός συμβολαίου. Το φιλτράρισμα γίνεται μετά την εξαγωγή, στην απόκριση που έχετε ήδη λάβει:
def extract_range(ocr_response, start: int, end: int) -> str:
"""Extract content from a page range (1-indexed)."""
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)
# Extract pages 5 to 10
partial_content = extract_range(ocr_response, 5, 10)
Η συνάρτηση χρησιμοποιεί αρίθμηση αναγνώσιμη από τον άνθρωπο, ξεκινώντας από το 1: η αίτηση για σελίδες 5 έως 10 επιστρέφει ακριβώς αυτές τις σελίδες. Θυμηθείτε όμως ότι ολόκληρο το έγγραφο επεξεργάστηκε—και χρεώθηκε—πριν από αυτό το φιλτράρισμα. Αν γνωρίζετε εκ των προτέρων ότι σας ενδιαφέρουν μόνο λίγες σελίδες, διαχωρίστε το PDF upstream αντί να στείλετε και τις 1.000 σελίδες στο API.
Βασικά σημεία
- Οι κεφαλίδες και τα υποσέλιδα εξάγονται ξεχωριστά από το OCR 2512
- Φιλτράρετέ τα για να αποφύγετε τον θόρυβο στους αγωγούς RAG
- Οι διαστάσεις σελίδας είναι σε σημεία PDF (72 σημεία = 1 ίντσα)
- Τα υποσέλιδα συχνά περιέχουν χρήσιμα μεταδεδομένα (έκδοση, ημερομηνία, ταξινόμηση)
- Επεξεργαστείτε κατά εύρη σελίδων για μεγάλα έγγραφα