Ensimmäinen OCR-kutsusi Pythonilla
Tällä sivulla
Päivitetty 2. marraskuuta 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) poistettiin käytöstä 30. syyskuuta 2026. Käytä OCR 4.1:tä (mistral-ocr-4-1), joka on ollut yleisesti saatavilla 31. elokuuta lähtien samaan hintaan, tai aliastamistral-ocr-latest, joka on viitannut siihen 16. heinäkuuta lähtien. OCR 4.1 lisää luottamusluvut lohko tasolla. Lisäys 3. marraskuuta 2026: Paikallinen PDF lähetetään base64-muodossa muodossa{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; vanhemmissa esimerkeissä esiintyväädocument_base64-tyyppiä ei ole olemassa eikä dokumentaatiossa ettämistralai-SDK:ssa, ja nämä esimerkit olisivat epäonnistuneet. Lähteet: OCR Processor · Document QnA.
Teoriasta koodiin
Tunnet nyt päätepisteen ja sen parametrit. On aika kirjoittaa täydellinen skripti, joka purkaa tekstiä PDF-tiedostosta aina ensimmäisestä tuontirivistä levylle tallennettuun Markdown-tiedostoon saakka. Aloitamme yksinkertaisimmasta tapauksesta – julkisesta asiakirjasta – ja siirrymme sitten siihen, mitä kohtaat käytännössä: paikallisiin tiedostoihin, erillisiin kuviin ja uudelleenrakennusta vaativiin kuvitettuihin asiakirjoihin.
Kaksi edellytystä, jotka on jo käsitelty, mutta ne kannattaa varmistaa ennen kuin hukkaat kymmenen minuuttia todennusvirheen selvittelyyn:
pip install mistralai
export MISTRAL_API_KEY="your-api-key"
Minimaalinen skripti
Tässä on verkkoon saatavilla olevan PDF-tiedoston täydellinen purku. Kolme hyödyllistä riviä: alusta asiakas, kutsu process ja käy sivut läpi.
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)
Huomaa page.index + 1: API:n palauttama indeksi alkaa nollasta, kun taas käyttäjäsi laskevat yhdestä. Se on pieni siirtymä, kunhan pidät sen mielessäsi, mutta se on pysyvän sekaannuksen lähde, kun huomaat sen asiakkaalle toimitetussa raportissa.
Tiedoston käsittely omalta koneelta
Todellisessa elämässä asiakirjat saapuvat harvoin julkisen URL-osoitteen kautta. Sinulla on ne levyllä, ne ovat luottamuksellisia, joten koodaat ne base64-muotoon. Seuraava skripti käsittelee toimittajan laskun ja yhdistää kaikki sivut yhdeksi tekstilohkoksi:
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)
Yhdistäminen merkkijonolla "\n\n".join(...) toimii hyvin näyttöä tai koko tekstin hakua varten. Se kuitenkin poistaa rajan sivujen väliltä: jos myöhemmin tarvitset lähdettä tai haluat ohjata käyttäjän sopimuksen oikealle sivulle, säilytä sivukohtainen rakenne tämän yhden lohkon sijaan.
Purkamisen tallentaminen
Jokainen OCR-kutsu maksaa ja vie aikaa. Saman kahdensadan sivun raportin uudelleenpurkaminen siksi, että unohdit tallentaa tuloksen, on virhe, jonka teet vain kerran. Alla oleva funktio kirjoittaa Markdownin tiedostoon merkiten sivunvaihdot kommentilla ja erottimella:
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")
HTML-kommentti <!-- Page N --> on näkymätön renderöidyssä näkymässä, mutta se pysyy tiedostossa: voit löytää sen säännöllisellä lausekkeella sivutuksen uudelleenrakentamiseksi indeksoinnin aikana.
Eristetyn kuvan tapaus
OCR 4 ei rajoitu PDF-tiedostoihin. Puhelimella otettu valokuva laskusta, skannattu kuitti, kuvakaappaus – kaikki lähetetään samalla tavalla käyttämällä tyyppiä 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)
Vastaus säilyttää saman muodon: sivuluettelo, joka tässä tapauksessa sisältää vain yhden alkion. Käsittelykoodisi pysyy siis identtisenä syötetiedoston tyypistä riippumatta, mikä yksinkertaistaa suuresti sekamuotoisia putkia.
Kuvitetun asiakirjan uudelleenrakentaminen
Palautettu Markdown viittaa kuviin muodossa  upottamatta niitä. Jos haluat itsenäisen tiedoston – offline-tilassa luettavan raportin, sähköpostilla lähetettävän esikatselun – pyydä kuvat base64-muodossa ja korvaa jokainen viittaus data-URI:lla:
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""
data_uri = f""
markdown = markdown.replace(placeholder, data_uri)
print(markdown[:500])
Tuloksena oleva tiedosto kasvaa nopeasti, sillä base64 painaa noin kolmanneksen enemmän kuin alkuperäinen binääri. Varaa tämä uudelleenrakentaminen asiakirjoille, jotka tarvitset itsenäisinä, ja pidä kuvat erillisinä tiedostoina indeksointiputkissasi.
Ennen kuin siirryt eteenpäin, ota haltuusi oma asiakirjasi – lasku, sopimus tai skannattu sivu – ja aja se paikallisen purkuskriptin läpi. Vertaa tuloksena saatua Markdownia alkuperäiseen rivi riviltä: löytämäsi poikkeamat, huonosti rekonstruoitu taulukko tai otsikko, joka on imeytynyt leipätekstiin, ovat täsmälleen niitä ongelmia, joita seuraavat kolme oppituntia opettavat sinua käsittelemään.
Keskeiset asiat
- OCR-kutsu vie 3 riviä: asiakas, process, lue sivut
- Käytä base64:ää paikallisille tiedostoille, URL:ää julkisille asiakirjoille
- Tulos on jäsenneltyä Markdownia, valmis käytettäväksi
- Puretut kuvat voidaan yhdistää uudelleen tekstiin
- Tallenna purkamisesi aina välttääksesi toistuvia API-kutsuja