API OCR Mistral
Ar an leathanach seo
Nuashonraithe an 2 Samhain, 2026 — OCR. Cuireadh deireadh le OCR 4.0 (
mistral-ocr-4-0) 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 dhíríonn air ón 16 Iúil. Cuirtear scóir muiníne ar leibhéal na mbloc leis an OCR 4.1. Forlíonadh an 3 Samhain, 2026: Chun PDF áitiúil a sheoladh, ionchódaigh é i mbase64 mar{"type": "document_url", "document_url": "data:application/pdf;base64,…"}. Níl an cineáldocument_base64a fheictear i samplaí níos sine le fáil sa doiciméadú ná san SDKmistralai, agus theipfeadh ar na samplaí sin. Foincí: OCR Processor · Document QnA.
Pointe iontrála amháin
Téann gach eastóscadh doiciméad trí chríochphointe amháin: /v1/ocr, nó a choibhéis sa Python SDK, client.ocr.process(). Cibé an grianghraf de receipt atá tú a phróiseáil nó tuarascáil bhliantúil 800 leathanach, is é an glao céanna é. Mionsonraíonn an ceacht seo conas é a chumrú, na trí bhealach chun doiciméad a chur chuige, agus cad a thugann sé ar ais.
Suiteáil agus cumraíocht
Ní gá ach ordú amháin chun an tsuiteáil a dhéanamh:
pip install mistralai
Ansin, déan an cliant a shamplú le do eochair API:
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
Oibríonn an cur chuige seo le haghaidh tástáil ghasta i nótabuc, ach rioscaíonn sé d’eochair a chur in áirithe go hearráideach. Chomh luath agus a fhágann cód do mheaisín, úsáid athróg timpeallachta:
export MISTRAL_API_KEY="your-api-key"
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
Úsáidfimid an dara foirm seo i ngach ceacht ina dhiaidh sin.
Paraiméadair glao
Ní éilíonn an glao client.ocr.process() ach dhá pharaiméadar: model, atá socraithe i gcónaí ar "mistral-ocr-latest", agus document, a chuireann síos ar an gcomhad le próiseáil i gceann de na trí fhoirm atá mionsonraithe thíos.
Coigeartaíonn paraiméadair eile an t-aschur de réir do riachtanas:
table_format: Formáid táblaí (null,"markdown","html")include_image_base64:Truechun íomhánna a fháil i mbase64bbox_annotation_format: Scéima nótaíochta bosca teoranndocument_annotation_format: Scéima nótaíochta iomlán doiciméiddocument_annotation_prompt: Treoracha ardleibhéil le haghaidh nótaíochta
Baineann an dá cheann chun tosaigh le OCR féin, agus déileálfaidh tú leo sna chéad cheachtanna eile. Baineann na trí cinn dheireanacha le nótaíochtaí, a chlúdaítear ó Cheacht 9 ar aghaidh; faoi láthair, cuimhnigh go ligeann siad duit eastóscadh struchtúrtha a iarraidh sa ghlao céanna, gan dara turas ar ais.
Trí bhealach chun doiciméad a sheoladh
Is é an chéad cheann, URL poiblí, an bealach is díreach nuair atá an comhad inrochtana cheana féin ar líne—tuarascáil fhoilsithe, ceangaltán stóráilte i mbuicéad poiblí:
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/document.pdf"
}
)
Tá an dara ceann riachtanach do dhoiciméid a bhfuil cónaí orthu ar do mheaisín nó i stóráil phríobháideach. Ionchódaíonn tú iad i mbase64 agus seolann tú sa chorp iarratais iad. Seo an modh réamhshocraithe do rud ar bith rúnda, ós rud é nach gá aon URL a nochtadh:
import base64
with open("my_document.pdf", "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}"
}
)
Úsáideann an tríú ceann an Files API. Uaslódálann tú an comhad uair amháin, faigheann tú ID, agus ansin tagraíonn tú dó i do ghlaotha. Feictear an tairbhe le doiciméid mhóra, nó nuair a chaithfear an comhad céanna a phróiseáil uaireanta iolracha—eastóscadh OCR inniu, nótaíocht le scéima difriúil amárach: ní aistríonn tú 40 MB arís ar gach iarracht.
# Uaslódáil an comhad
uploaded_file = client.files.upload(
file=open("my_document.pdf", "rb"),
purpose="ocr"
)
# Úsáid an comhad uaslódáilte
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "file_id",
"file_id": uploaded_file.id
}
)
An freagra a léamh
Nochtann an freagra liosta leathanach, agus iompraíonn gach leathanach a chuid ábhair mar aon lena chuid meiteashonraí. Is leor lúb íosta chun a fhíorú go ndeachaigh an t-eastóscadh go réidh:
for page in ocr_response.pages:
print(f"Page {page.index}")
print(f"Content: {page.markdown[:200]}...")
print(f"Images: {len(page.images)} found")
print(f"Header: {page.header}")
print(f"Footer: {page.footer}")
print(f"Dimensions: {page.dimensions}")
Déan cleachtas den chineál lúibe seo a rith ar dhoiciméad samplach sula dtionsclaíonn tú aon rud: insíonn sé duit i dtrí shoicind an bhfuil líon na leathanach ceart, an bhfuarthas íomhánna, agus an bhfuil ceanntáscanna scartha go cuí ó théacs an choirp.
Teorainneacha agus earráidí
Rialaíonn trí shrian úsáid: 50 MB in aghaidh an chomhaid ar a mhéad, 1,000 leathanach in aghaidh an doiciméid, agus formáidí ionchuir PDF, PNG, JPEG, AVIF, PPTX, agus DOCX. Ina theannta sin, tá teorainn ráta ann, le tairseach a bhraitheann ar do leibhéal síntiúis—pointe le seiceáil sula ndéanann tú comhthreomharú ollmhór, nó rioscaíonn tú do ghlaotha a fheiceáil diúltaithe i mburst.
Léirítear na teorainneacha seo, cosúil le teagmhais líonra, mar eisceachtaí ar gá duit iad a ghabháil. Is dramhaíl ama is féidir a sheachaint é post baisce a stopann ag uimhir 300 toisc go sáraíonn comhad amháin an méid ceadaithe:
from mistralai.client import Mistral
from mistralai.client.errors import SDKError
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
try:
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/document.pdf"
}
)
except SDKError as e:
print(f"API Error: {e.status_code} - {e.message}")
except Exception as e:
print(f"Unexpected error: {e}")
Tá sé úsáideach an dá leibhéal eisceachta a idirdhealú: tugann SDKError cód stádais duit ar ar féidir leat cinneadh a dhéanamh an ndéanfar iarracht arís—ba chóir iarracht a dhéanamh arís tar éis moille ar 429, ach ní choíche ar 400—fads a ghabhann an bloc ginearálta fadhbanna áitiúla, mar shampla comhad in easnamh nó ionchódú dodhéanta.
Príomhphointí
- Is é
client.ocr.process()leis an múnlamistral-ocr-latestan críochphointe OCR - Trí mhodh seolta: URL poiblí, base64, comhad uaslódáilte
- Rialaíonn paraiméadair roghnacha formáid táblaí agus cuimsiú íomhánna
- Tá an freagra struchtúrtha leathanach ar leathanach le Markdown, íomhánna, agus meiteashonraí
- Ghléas teorainneacha 50 MB agus 1,000 leathanach in aghaidh an doiciméid