Cabeceras, pies de página y paginación
En esta página
Actualizado el 2 de noviembre de 2026 — OCR. El modelo OCR 4.0 (
mistral-ocr-4-0) se retiró el 30 de septiembre de 2026. Utiliza OCR 4.1 (mistral-ocr-4-1), disponible de forma general desde el 31 de agosto al mismo precio, o el aliasmistral-ocr-latest, que apunta a él desde el 16 de julio. OCR 4.1 añade puntuaciones de confianza a nivel de bloque.
Separar la decoración del contenido
Desde la versión 2512 del OCR (diciembre de 2025), el modelo OCR de Mistral extrae las cabeceras y los pies de página por separado para cada página. Esta función puede parecer trivial hasta que indexas un contrato de 120 páginas: el nombre del bufete, la marca «Confidencial» y los números de página aparecen 120 veces, contaminando cada resultado de búsqueda. En documentos formales (contratos, informes anuales, textos normativos), esta separación transforma la calidad de todo lo que sigue.
El dilema es real. Estos elementos se repiten mecánicamente en cada página, generando ruido tanto en la indexación como en las respuestas de los sistemas RAG. Sin embargo, a veces contienen los únicos metadatos fiables del documento: número de versión, fecha de emisión, nivel de clasificación. Extraerlos por separado, en lugar de eliminarlos o dejarlos en el cuerpo del texto, te permite decidir caso por caso.
Acceder a los campos
Los campos header y footer están disponibles directamente en cada página de la respuesta:
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"--- Página {page.index + 1} ---")
if page.header:
print(f"Cabecera: {page.header}")
print(f"Contenido: {page.markdown[:100]}...")
if page.footer:
print(f"Pie de página: {page.footer}")
print()
Las comprobaciones if page.header no son superfluas: no todas las páginas tienen cabecera, empezando por las portadas; en ese caso, el campo es None.
Reconstruir la paginación
Cada página tiene índice cero. Para un documento de varias páginas que planeas almacenar o devolver a una aplicación, es mejor normalizar la estructura de inmediato: número legible para humanos, contenido, decoración, dimensiones y recuento de imágenes.
def extract_with_pagination(ocr_response) -> dict:
"""Extraer contenido conservando la paginación."""
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
Los operadores or "" y las guardas sobre page.dimensions convierten valores potencialmente nulos en valores predeterminados neutros. Esto evita un AttributeError a mitad de un lote al procesar el documento número 80.
Las dimensiones se expresan en puntos PDF, donde un punto equivale a 1/72 de pulgada. Los formatos que encontrarás con más frecuencia son:
- A4: 595 x 842 puntos
- Letter: 612 x 792 puntos
- A3: 842 x 1191 puntos
Esta información te ayuda a detectar páginas atípicas en un lote: un plano A3 colado entre hojas A4 o un escaneo a una escala inusual. Convertir a centímetros hace que el diagnóstico sea inmediato:
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"Página {page.index + 1}: {width_cm:.1f} x {height_cm:.1f} cm")
Contenido limpio para RAG
Dependiendo del documento, la cabecera y el pie de página también pueden aparecer en el markdown principal. Antes de indexar, elimínalos cuando realmente enmarquen el contenido:
def main_content(ocr_response) -> str:
"""Extraer solo el contenido principal, sin cabeceras ni pies de página."""
parts = []
for page in ocr_response.pages:
content = page.markdown
# Opcional: eliminar cabeceras/pies de página del markdown
# si están incluidos en el contenido principal
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)
Las condiciones startswith y endswith son intencionadamente cautelosas: solo eliminamos la cadena si aparece realmente al inicio o al final de la página. La eliminación ciega mediante replace corre el riesgo de borrar una aparición legítima del nombre de la empresa en medio del texto.
Aprovechar los metadatos del pie de página
Una vez aislados los pies de página, bastan unas pocas expresiones regulares para extraer metadatos estructurados: paginación en formato «3 / 40», fecha de emisión, número de versión y nivel de clasificación.
import re
def extract_footer_metadata(ocr_response) -> dict:
"""Extraer metadatos de los pies de página."""
metadata = {
"page_numbers": [],
"dates": [],
"versions": [],
"classifications": [],
}
for page in ocr_response.pages:
footer = page.footer or ""
# Búsqueda de número de página
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)}"
)
# Búsqueda de fecha
match_date = re.search(r"\d{2}/\d{2}/\d{4}", footer)
if match_date:
metadata["dates"].append(match_date.group())
# Búsqueda de versión
match_version = re.search(r"v(?:ersion)?\s*(\d+\.?\d*)", footer, re.I)
if match_version:
metadata["versions"].append(match_version.group(1))
# Clasificación (Confidencial, Público, etc.)
for classification in ["confidential", "public", "internal", "secret"]:
if classification in footer.lower():
metadata["classifications"].append(classification)
return metadata
El valor va más allá de la curiosidad documental. La clasificación detectada aquí puede impulsar el procesamiento posterior: enrutar los elementos marcados como «confidential» a un índice de acceso restringido o rechazar su envío a un servicio externo. Obviamente, adapta el vocabulario para que coincida con la terminología de tu organización.
Procesar solo una parte del documento
Para documentos grandes, a menudo solo necesitas una sección: los anexos financieros de un informe, el capítulo firmado de un contrato. El filtrado ocurre después de la extracción, sobre la respuesta que ya has recibido:
def extract_range(ocr_response, start: int, end: int) -> str:
"""Extraer contenido de un rango de páginas (indexado desde 1)."""
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)
# Extraer páginas de la 5 a la 10
partial_content = extract_range(ocr_response, 5, 10)
La función utiliza una numeración legible para humanos, empezando desde 1: solicitar las páginas de la 5 a la 10 devuelve exactamente esas páginas. Recuerda, sin embargo, que todo el documento se procesó (y se facturó) antes de este filtrado. Si sabes de antemano que solo te interesan unas pocas páginas, divide el PDF aguas arriba en lugar de enviar las 1.000 páginas a la API.
Puntos clave
- Las cabeceras y los pies de página se extraen por separado desde el OCR 2512
- Filtralos para evitar ruido en tus pipelines RAG
- Las dimensiones de página están en puntos PDF (72 puntos = 1 pulgada)
- Los pies de página suelen contener metadatos útiles (versión, fecha, clasificación)
- Procesa por rangos de páginas para documentos grandes