Sinu esimene OCR-i päring Pythonis
Sellel lehel
Uuendatud 2. novembril 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) võeti kasutusest välja 30. septembril 2026. Kasuta OCR 4.1 (mistral-ocr-4-1), mis on olnud üldkasutatav alates 31. augustist sama hinnaga, või aliastmistral-ocr-latest, mis on sellele viidanud alates 16. juulist. OCR 4.1 lisab usaldusväärsuse hinnangud ploki tasandil. Lisand 3. novembril 2026: Kohalik PDF edastatakse base64-kodeeringus kujul{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; vanemates näidetes esinenud tüüpdocument_base64ei eksisteeri ei dokumentatsioonis egamistralaiSDK-s ning need näited oleksid nurjunud. Allikad: OCR Processor · Document QnA.
Teooriast koodini
Sa tunned nüüd lõpppunkti ja selle parameetreid. On aeg kirjutada täielik skript, mis eraldab teksti PDF-failist, alates esimesest impordireast kuni ketale salvestatud Markdown-failini. Alustame lihtsaimast juhtumist – avalikust dokumendist – ja liigume edasi selle juurde, mida kohtad praktikas: kohalikud failid, eraldatud pildid ja illustreeritud dokumendid, mis vajavad taastamist.
Kaks eeldust, mida oleme juba käsitletud, kuid mille üle tasub veenduda, enne kui kulutad kümme minutit autentimisvea lahendamisele:
pip install mistralai
export MISTRAL_API_KEY="your-api-key"
Minimaalne skript
Siin on veebis kättesaadava PDF-i täielik ekstraheerimine. Kolm kasulikku rida: kliendi loomine, process väljakutsumine ja lehtede läbikäimine.
import os
from mistralai.client import Mistral
# Kliendi initsialiseerimine
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# OCR-i päring avalikule PDF-ile
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://arxiv.org/pdf/2201.04234"
}
)
# Lehtede arvu kuvamine
print(f"Number of pages: {len(ocr_response.pages)}")
# Iga lehe sisu kuvamine
for page in ocr_response.pages:
print(f"\n--- Page {page.index + 1} ---")
print(page.markdown)
Pane tähele avaldist page.index + 1: API tagastatud indeks algab nullist, samas kui sinu kasutajad loevad ühest. See on väike nihe, seni kuni sa seda meeles pead, kuid see võib põhjustada püsivat segadust, kui avastad selle kliendile edastatud aruandes.
Faili töötlemine oma arvutist
Reaalses elus saabuvad dokumendid harva avaliku URL-i kaudu. Sul on need kettal, need on konfidentsiaalsed, seega kodeerid need base64-formaati. Järgnev skript töötleb tarnija arve ja liidab kõik lehed üheks tekstiplokiks:
import os
import base64
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Kohaliku faili lugemine ja kodeerimine
file_path = "supplier_invoice.pdf"
with open(file_path, "rb") as f:
document_base64 = base64.b64encode(f.read()).decode("utf-8")
# OCR-i päring
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
}
)
# Kogu teksti ühendamine
full_text = "\n\n".join(
page.markdown for page in ocr_response.pages
)
print(full_text)
Ühendamine käsu "\n\n".join(...) abil sobib hästi kuvamiseks või täisteksti otsinguks. Siiski kustutab see piiri lehtede vahelt: kui sul on hiljem vaja viidata allikale või suunata kasutaja lepingu õigele lehele, säilita lehe-põhine struktuur selle ühe ploki asemel.
Ekstraheerimise salvestamine
Iga OCR-i päring maksab raha ja võtab aega. Sama kahesajalehelise aruande uuesti ekstraheerimine sellepärast, et unustasid tulemuse salvestada, on viga, mida teed vaid korra. Allpool olev funktsioon kirjutab Markdowni faili, märkides lehepiirid kommentaari ja eraldajaga:
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:
"""Ekstraheerib teksti PDF-ist ja salvestab selle Markdownina."""
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}")
# Kasutamine
extract_pdf("annual_report.pdf", "annual_report.md")
HTML-kommentaar <!-- Page N --> on renderdatud vaates nähtamatu, kuid jääb faili alles: saad seda regulaaravaldise abil leida, et taastada leheküljestus indekseerimise ajal.
Eraldatud pildi juhtum
OCR 4 ei piirdu ainult PDF-failidega. Telefoniga tehtud foto arvest, skaneeritud tšekk, ekraanitõmmis – kõik saadetakse samal viisil, kasutades tüüpi image_base64:
import os
import base64
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Pildi kodeerimine
with open("scanned_invoice.png", "rb") as f:
image_base64 = base64.b64encode(f.read()).decode("utf-8")
# OCR-i päring pildile
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "image_base64",
"image_base64": image_base64
}
)
# Pildi puhul vaid üks „leht“
print(ocr_response.pages[0].markdown)
Vastus säilitab sama vormi: lehtede loend, mis siin sisaldab vaid ühte elementi. Sinu töötlemiskood jääb seega identseks sõltumata sisendfaili tüübist, mis lihtsustab oluliselt segatud töövooge.
Illustreeritud dokumendi taastamine
Tagastatud Markdown viitab piltidele kujul , manustamata neid. Kui soovid iseseisvat faili – võrguühenduseta loetavat aruannet, e-posti teel saadetavat eelvaadet –, küsi pilte base64-formaadis ja asenda iga viide andme-URiga:
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
# Asenda pildiviited base64-ga
for image in page.images:
placeholder = f""
data_uri = f""
markdown = markdown.replace(placeholder, data_uri)
print(markdown[:500])
Saadud fail kasvab kiiresti, kuna base64 kaalub umbes kolmandiku võrra rohkem kui algne binaarfail. Kasuta seda taastamist vaid dokumentide puhul, mis peavad olema iseseisvad, ja hoia pilte indekseerimise töövoogudes eraldi failidena.
Enne edasiliikumist võta enda dokument – arve, leping, skaneeritud leht – ja käivita see kohaliku ekstraheerimise skripti kaudu. Võrdle saadud Markdownit algsega rida-realt: lahknevused, mida leiad, halvasti taastatud tabel või põhiteksti neelatud päis, on täpselt need probleemid, mida järgmised kolm õppetundi sind lahendama õpetavad.
Peamised punktid
- OCR-i päring võtab 3 rida: klient, process, loe lehti
- Kasuta kohalike failide jaoks base64-t, avalike dokumentide jaoks URL-i
- Tulemuseks on struktureeritud Markdown, valmis kasutamiseks
- Ekstraheeritud pilte saab tekstiga uuesti ühendada
- Salvesta oma ekstraheerimised alati, et vältida korduvaid API-päringuid