Baint Meiteashonraí Struchtúrtha
Ar an leathanach seo
Nuashonrú 2 Samhain 2026 — OCR. Cuireadh deireadh le OCR 4.0 (
mistral-ocr-4-0) ar 30 Meán Fómhair 2026. Úsáid OCR 4.1 (mistral-ocr-4-1), atá ar fáil go ginearálta ón 31 Lúnasa ar an bpraghas céanna, nó an t-ailiasmistral-ocr-latest, a bhí dírithe air ón 16 Iúil. Cuireann OCR 4.1 scóir muiníne ar leibhéal na mbloc leis. Forlíonadh 3 Samhain 2026: Seoltar PDF áitiúil i mbonn64 mar{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; níl an cineáldocument_base64ó shamplaí níos sine le fáil sa doiciméadú ná san SDKmistralai, agus theipfeadh ar na samplaí sin. Foinse: OCR Processor · Document QnA. Ceartaithe 3 Samhain 2026: Léigh an cód roimhe seopage.document_annotationleathanach ar leathanach; in SDK 3.7.0mistralai, is réimse aonair sa fhreagra é anótáil an doiciméid (response.document_annotation), agus léitear anótáil íomhá óimage.image_annotation.
Bain go díreach an rud atá uait
Ní hamháin téacs amh a fháil ar ais atá i gceist le hanótáil doiciméad. Cruthaíonn sí sonraí struchtúrtha, típithe agus bailíochtaithe atá réidh le húsáid láithreach i do chórais: sraith churtha isteach i mbunachar sonraí, réimse comparáide le tagairt, nó méid fíoraithe roimh íocaíocht. Aistríonn an dúshlán go hiomlán chuig dearadh scéime, arb é sin fócas na ceachta seo.
Struchtúr seachas comhthreomharú
Ba chóir go léireodh scéim eastósctha fírinne an doiciméid. Tagann sonrasc ó eintiteas dlíthiúil le hainm cuideachta, uimhir SIRET (aitheantas gnó na Fraince), agus seoladh. In ionad ocht réimse a ailíniú mar emetteur_rue, emetteur_ville, emetteur_siret, sainmhínigh múnla Adresse, agus ansin múnla LegalEntity ina bhfuil sé. Úsáid na bloic thógála seo arís don eisitheoir agus don faighteoir araon. Imríonn an áireamh TypeDocument ról cosúil: coscaíonn sé ar an múnla catagóir a chruthú agus ráthaíonn sé luach is féidir leat a úsáid i ráiteas if nó le haghaidh ródaireachta. Léiríonn réimsí Optional go soiléir cad is féidir a bheith in easnamh, agus sábhálann luachanna réamhshocraithe—mar shampla default="France" don tír—ar an múnla an rud is follasaí a thuar.
from pydantic import BaseModel, Field
from typing import Optional
from enum import Enum
class DocumentType(str, Enum):
INVOICE = "facture"
CONTRACT = "contrat"
REPORT = "rapport"
FORM = "formulaire"
OTHER = "autre"
class Address(BaseModel):
street: Optional[str] = Field(None, description="Numéro et street")
postal_code: Optional[str] = Field(None, description="Code postal")
city: Optional[str] = Field(None, description="Ville")
country: str = Field(default="France", description="Pays")
class LegalEntity(BaseModel):
name: str = Field(..., description="Raison sociale")
siret: Optional[str] = Field(None, description="Numéro SIRET")
address: Optional[Address] = Field(None, description="Address postale")
email: Optional[str] = Field(None, description="Address email")
class DocumentExtraction(BaseModel):
document_type: DocumentType = Field(
..., description="Type du document"
)
date: Optional[str] = Field(
None, description="Date principale (YYYY-MM-DD)"
)
emetteur: LegalEntity = Field(
..., description="Entité qui émet le document"
)
destinataire: Optional[LegalEntity] = Field(
None, description="Entité destinataire"
)
resume: str = Field(
..., description="Résumé en 2-3 phrases du contenu"
)
langue: str = Field(
..., description="Langue du document (code ISO 639-1)"
)
Sonraí athfhillteacha
Bíonn sraitheanna i go leor doiciméad: línte billeála, clásail, nó míreanna caiteachais. Samhlaigh iad seo mar list[...] de fhomhúnla tiomnaithe. Scanann an múnla ansin tábla an doiciméid agus cruthaíonn sé oiread oibiachtaí LigneFacture agus a fhaigheann sé de shraitheanna, lena n-áirítear an cur síos, an chainníocht, an praghas aonaid, agus an t-iomlán do gach ceann. Tugann sé seo dóthain sonraí duit chun an fo-iomlán a ríomh arís tú féin agus comhsheasmhacht an doiciméid a fhíorú sula nglacann tú leis.
from pydantic import BaseModel, Field
class InvoiceLine(BaseModel):
description: str = Field(..., description="Description du produit/service")
quantity: float = Field(..., description="Quantité")
unit_price: float = Field(..., description="Prix unitaire HT")
amount: float = Field(..., description="Montant total HT de la ligne")
class DetailedInvoice(BaseModel):
supplier: str = Field(..., description="Nom du supplier")
number: str = Field(..., description="Numéro de facture")
date: str = Field(..., description="Date (YYYY-MM-DD)")
lines: list[InvoiceLine] = Field(
..., description="Lignes de la facture"
)
subtotal_excl_tax: float = Field(..., description="Sous-total HT")
vat: float = Field(..., description="Montant TVA")
total_incl_tax: float = Field(..., description="Total TTC")
payment_terms: str = Field(
..., description="Conditions de paiement mentionnées"
)
Boscaí seiceála agus foirmeacha
Is iad foirmeacha páipéir scanta an áit a mbíonn an múnla ar a dhícheall. Tá réimse bool péireáilte le lipéad na ceiste leordhóthanach: aithníonn an múnla an bhfuil bosca seiceáilte nó nach bhfuil, baineann sé an cheist chomhfhreagrach amach, agus—rud ríthábhachtach le haghaidh úsáide leighis nó riaracháin—tuigeann sé go bhfuil réimse in easnamh seachas luach a chruthú, mar a léirigh foireann Mistral. Níl an nóta “null if not provided” i gcur síos an uimhir theileafóin maisiúil; údarúonn sé go sainráite luach folamh.
from pydantic import BaseModel, Field
class FormResponse(BaseModel):
question: str = Field(..., description="Intitulé de la question")
answer: bool = Field(..., description="True si coché, False sinon")
class MedicalForm(BaseModel):
patient_name: str = Field(..., description="Nom complet du patient")
age: Optional[int] = Field(None, description="Âge du patient")
sex: Optional[str] = Field(None, description="Sexe (M/F)")
patient_id: Optional[str] = Field(None, description="ID patient")
phone: Optional[str] = Field(
None, description="Numéro de téléphone (null si non fourni)"
)
responses: list[FormResponse] = Field(
..., description="Réponses aux questions du formulaire"
)
Cur chun feidhme ó thús go deireadh
Tóg an sampla sonraisc mhionsonraithe agus ceangail é le doiciméad atá ionchódaithe i mbonn64. Comhlánaíonn an leid anótála an scéima trí shonrú a dhéanamh ar chineál an chomhaid agus béim a leagan ar línte billeála; tiontaíonn bailíochtú Pydantic ar ais an teaghrán JSON ina oibiacht is féidir leat a thrasnú go sábháilte.
import os
import json
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
document_annotation_format=response_format_from_pydantic_model(
DetailedInvoice
),
document_annotation_prompt=(
"Ce document est une invoice. Extrais toutes les lines "
"de facturation avec leurs montants."
)
)
# Extraction and validation
if ocr_response.document_annotation:
invoice = DetailedInvoice.model_validate_json(
ocr_response.document_annotation
)
print(f"Facture {invoice.numero} - {invoice.fournisseur}")
print(f"Date : {invoice.date}")
print(f"\nLignes :")
for line in invoice.lines:
print(f" - {line.description}: {line.quantite} x "
f"{line.prix_unitaire}€ = {line.montant}€")
print(f"\nTotal TTC : {invoice.total_incl_tax}€")
Is minic a eascraíonn torthaí eastósctha bochta as an scéima, go hannamh as an múnla. Déan athbhreithniú ar do chuid cur síosanna ceann ar cheann: caithfidh siad a bheith cruinn agus gan athbhrí, ós rud é go mbraitheann an múnla orthu siúd amháin chun do chuid ionchais a thuiscint. Scríobh iad i dteanga do doiciméad—oibríonn an Fhraincis go foirfe le haghaidh sonrasc Francach—agus coinnigh áireamhanna do réimsí le luachanna teoranta agus fomhúnlaí do struchtúir a úsáidfidh tú ar fud scéimeanna.
Príomhphointí
- Cumasaíonn scéimeanna Pydantic eastóscadh sonraí típithe agus bailíochtaithe
- Úsáid cineálacha casta (liostaí, áireamhanna, múnlaí neadaithe) le haghaidh eastósctha cruinne
- Láimhseálann an múnla réimsí roghnacha agus boscaí seiceála go hiontaofa
- Treoraíonn cur síosanna réimse an t-eastóscadh: bí cruinn agus sainráite
- Comhcheangail
document_annotation_promptleis an scéima don chomhthéacs uasta