Anótálacha Baisc
Ar an leathanach seo
Nuashonraithe an 2 Samhain, 2026 — OCR. Cuireadh OCR 4.0 (
mistral-ocr-4-0) ar scor an 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. Cuirtear scóir muiníne leibhéil bloc leis in OCR 4.1. Forlíonadh an 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 an 3 Samhain, 2026: Léigh an cód roimhe seopage.document_annotationleathanach ar leathanach; in SDKmistralai3.7.0, is réimse aonair san fhreagra é anótáil an doiciméid (response.document_annotation), agus léitear anótáil íomhá óimage.image_annotation.
Scálú Aníos
Oibríonn próiseáil doiciméad amháin ag an am chun críocha prótatípaithe. Sa táirgeadh, tá an réaltacht difriúil: faigheann rannóg cuntasaíochta na céadta sonraisc gach lá, agus déanann gnólacht dlí mílte doiciméad a dhigitiú le linn dícheall cuí. Caithfidh an cód athrú dá réir sin – níl sé faoi fhreagra a fháil a thuilleadh, ach a chinntiú nach gcailltear aon doiciméad ar an mbealach agus go bhfuil a fhios agat go beacht cé acu cinn a theip.
Tosaigh le Próiseáil Sheicheamhach
Coinnigh é simplí ar dtús. Déanann an lúb thíos atriall ar fhillteán de chomhaid PDF, ionchódaíonn gach comhad i mbonn64, seolann é chuig an inneall OCR leis an scéima anótála, agus bailíonn sé na torthaí. Is sa bhloc try/except atá an chuid ríthábhachtach: ní mór d’fhactúra nach féidir a léamh nó do ghlao API a theip cur isteach ar an mbaisc iomlán riamh. Déanaimid logáil ar an earráid leis an ainm comhaid agus leanaimid ar aghaidh, rud a fhágann liosta deiridh agat ina bhfuil stádas ag gach iontráil. Ní rud breá le bheith agat amháin é an t-áireamhán a thaispeántar ag gach atriall; agus trí chéad comhad á bpróiseáil agat, coscfaidh sé ort obair atá leathchríochnaithe cheana féin a atosú nuair a bheidh a fhios agat cá bhfuil tú.
import os
import json
import time
from pathlib import Path
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
from pydantic import BaseModel, Field
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
class ExtractionFacture(BaseModel):
fournisseur: str = Field(..., description="Supplier name")
numero: str = Field(..., description="Invoice number")
montant_ttc: float = Field(..., description="Total amount including tax")
date: str = Field(..., description="Date (YYYY-MM-DD)")
def traiter_dossier_factures(dossier: str) -> list[dict]:
"""Próiseálann sé gach factúra i bhfillteán."""
resultats = []
chemin = Path(dossier)
fichiers = list(chemin.glob("*.pdf"))
print(f"Ag próiseáil {len(fichiers)} comhad...")
for i, fichier in enumerate(fichiers):
print(f" [{i+1}/{len(fichiers)}] {fichier.name}")
try:
import base64
with open(fichier, "rb") as f:
doc_b64 = base64.b64encode(f.read()).decode("utf-8")
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{doc_b64}"
},
document_annotation_format=response_format_from_pydantic_model(
ExtractionFacture
),
table_format="markdown"
)
if response.document_annotation:
facture = ExtractionFacture.model_validate_json(
response.document_annotation
)
resultats.append({
"fichier": fichier.name,
"fournisseur": facture.fournisseur,
"numero": facture.numero,
"montant_ttc": facture.montant_ttc,
"date": facture.date,
"statut": "ok"
})
except Exception as e:
resultats.append({
"fichier": fichier.name,
"statut": "erreur",
"erreur": str(e)
})
return resultats
Comhthreomhaireacht gan an API a Sháithiú
Caitheann próiseáil sheicheamhach an chuid is mó dá chuid ama ag fanacht ar an líonra. Cuireann glaonna neamhshioncrónacha deireadh leis an dramhaíl seo, ar choinníoll go ndéanann tú luasghéarú ar an gcomhthreomhaireacht: má sheolann tú trí chéad iarratas ag an am, spreagfaidh sé earráidí teorann ráta agus fágfaidh sé baisc leathchríochnaithe agat. Déileálann an seafar asyncio go díreach leis seo – ciallaíonn max_concurrent=5 uasmhéid cúig dhoiciméad ar eitilt ag an am ar bith, beag beann ar líon na gcomhad atá sa scuaine. Coimeádann an fheidhm aonair an smacht céanna leis an leagan seicheamhach: gabhann sí eisceachtaí agus filleann sí foclóir stádais seachas ligean do gather titim as a chéile.
import os
import asyncio
import base64
from pathlib import Path
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
async def traiter_document(chemin_fichier: Path, schema) -> dict:
"""Próiseálann sé doiciméad go neamhshioncrónach."""
try:
with open(chemin_fichier, "rb") as f:
doc_b64 = base64.b64encode(f.read()).decode("utf-8")
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{doc_b64}"
},
document_annotation_format=response_format_from_pydantic_model(
schema
)
)
annotations = []
if response.document_annotation:
annotations.append(response.document_annotation)
return {
"fichier": chemin_fichier.name,
"annotations": annotations,
"statut": "ok"
}
except Exception as e:
return {
"fichier": chemin_fichier.name,
"statut": "erreur",
"erreur": str(e)
}
async def traiter_batch(
dossier: str,
schema,
max_concurrent: int = 5
) -> list[dict]:
"""Próiseálann sé fillteán le comhthreomhaireacht rialaithe."""
chemin = Path(dossier)
fichiers = list(chemin.glob("*.pdf"))
semaphore = asyncio.Semaphore(max_concurrent)
async def traiter_avec_limite(fichier):
async with semaphore:
return await traiter_document(fichier, schema)
taches = [traiter_avec_limite(f) for f in fichiers]
resultats = await asyncio.gather(*taches)
return list(resultats)
# Feidhmiú
# résultats = asyncio.run(traiter_batch("./factures/", ExtractionFacture))
Nuair a Údaríonn an Toirt Tátal Baisc
Thar tairseach áirithe, aistríonn an cheist ó luas go costas. Tairgeann Mistral seirbhís Tiomnaithe Tátal Baisc (Batch Inference) atá níos eacnamaíche ná glaonna aonair. Seolann tú comhad JSONL ina bhfuil iarratas amháin in aghaidh na líne. Ligeann an réimse custom_id – anseo, ainm an chomhaid gan an síneadh – duit gach freagra a mhapáil ar ais chuig a dhoiciméad bunaidh nuair a chríochnaíonn an baisc.
import json
def preparer_batch_jsonl(dossier: str, sortie: str) -> int:
"""Ullmhaíonn sé comhad JSONL le haghaidh próiseála baisc."""
chemin = Path(dossier)
fichiers = list(chemin.glob("*.pdf"))
compte = 0
with open(sortie, "w") as f:
for fichier in fichiers:
with open(fichier, "rb") as pdf:
doc_b64 = base64.b64encode(pdf.read()).decode("utf-8")
requete = {
"custom_id": fichier.stem,
"model": "mistral-ocr-latest",
"document": {
"type": "document_url",
"document_url": f"data:application/pdf;base64,{doc_b64}"
}
}
f.write(json.dumps(requete) + "\n")
compte += 1
print(f"{compte} iarratas ullmhaithe i {sortie}")
return compte
Rianú a Tharla
Is bosca dubh é próiseáil mhórthimthriallach gan méadrachtaí. Déanann an aicme sonraí beag thíos comhaireamh ar rátaí ratha agus earráidí, ríomhann sé an t-am caite, agus díorthaíonn sé luas i ndoiciméid in aghaidh an tsoicind. Inseoidh an luas seo duit an bhfuil do shocrú max_concurrent optamach, agus beathóidh an liosta comhad a theip do phróiseas téarnaimh teagmhais.
import time
from dataclasses import dataclass, field
@dataclass
class StatsBatch:
total: int = 0
succes: int = 0
erreurs: int = 0
temps_debut: float = field(default_factory=time.time)
fichiers_erreur: list = field(default_factory=list)
@property
def duree(self) -> float:
return time.time() - self.temps_debut
@property
def vitesse(self) -> float:
if self.duree > 0:
return self.succes / self.duree
return 0.0
def rapport(self) -> str:
return (
f"Críochnaíodh an phróiseáil i {self.duree:.1f}s\n"
f" Rátaí ratha: {self.succes}/{self.total}\n"
f" Earráidí: {self.erreurs}\n"
f" Luas: {self.vitesse:.2f} doiciméad/s\n"
f" Comhaid a theip: {self.fichiers_erreur}"
)
Ar deireadh, easpórtáil torthaí an script. Téann CSV go dtí scaoileog na rannóige cuntasaíochta, téann JSON chuig d’iarratas; i ngach cás, cinntigh ionchódú UTF-8 agus ensure_ascii=False, nó beidh do charachtair bhéimnithe le feiceáil mar sheichimh nach féidir a léamh ag an bhfaighteoir.
import csv
import json
def exporter_csv(resultats: list[dict], chemin: str) -> None:
"""Easpórtálann sé torthaí go CSV."""
if not resultats:
return
cles = resultats[0].keys()
with open(chemin, "w", newline="", encoding="utf-8") as f:
writer = csv.DictWriter(f, fieldnames=cles)
writer.writeheader()
writer.writerows(resultats)
print(f"Easpórtáil CSV: {chemin}")
def exporter_json(resultats: list[dict], chemin: str) -> None:
"""Easpórtálann sé torthaí go JSON."""
with open(chemin, "w", encoding="utf-8") as f:
json.dump(resultats, f, ensure_ascii=False, indent=2)
print(f"Easpórtáil JSON: {chemin}")
Príomhphointí
- Oiriúnach próiseáil sheicheamhach do thoirt bheag le láimhseáil láidir earráidí
- Luasaíonn próiseáil chomhthreomhar le
asyncioagus seafair toirt mhór - Is é seirbhís Tátal Baisc Mistral an réiteach is cost-éifeachtaí do thoirt an-mhór
- Cuir monatóireacht agus tuairisciú leis chun dul chun cinn a rianú agus earráidí a aithint
- Easpórtáil torthaí go CSV nó JSON chun comhtháthú le do chórais