Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Do Chéad Ghla OCR i bPython

Ceacht 5 as 16 Nuashonraithe 3 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Ón Teoiric go dtí an Cód
  2. An Script Íosta
  3. Comhad ó Do Mheaisín a Phróiseáil
  4. An tEastóscadh a Shábháil
  5. Cás Íomhá Aonair
  6. Doiciméad Léaráideach a Athchruthú
  7. Príomhphointí

Nuashonraithe an 2 Samhain, 2026 — OCR. Cuireadh deireadh le OCR 4.0 (mistral-ocr-4-0) an 30 Meán Fómhair, 2026. Bain úsáid as OCR 4.1 (mistral-ocr-4-1), atá ar fáil go ginearálta ón 31 Lúnasa ar an bpraghas céanna, nó an t-ailias mistral-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: Seoltar PDF áitiúil i mbonn64 mar {"type": "document_url", "document_url": "data:application/pdf;base64,…"}; níl an cineál document_base64 ó shamplaí níos sine le fáil sa doiciméadú ná san SDK mistralai, agus theipfeadh ar na samplaí sin. Foincí: OCR Processor · Document QnA.

Ón Teoiric go dtí an Cód

Tá an t-easpóint agus a pharaiméadair ar eolas agat anois. Is é an t-am é script iomlán a scríobh a eastósann téacs ó PDF, ón gcéad líne allmhairithe go dtí an comhad Markdown a shábháiltear ar do dhiosca. Tosaímid leis an gcás is simplí—doiciméad poiblí—agus bogaimid ansin chuig an méid a bhuaileann tú leis go praiticiúil: comhaid áitiúla, íomhánna aonair, agus doiciméid léaráideacha a theastaíonn a athchruthú.

Tá dhá réamhriachtanas ann, a pléadh cheana ach is fiú iad a fhíorú sula gcaitear deich nóiméad ar earráid fíordheimhniúcháin:

pip install mistralai
export MISTRAL_API_KEY="your-api-key"

An Script Íosta

Seo eastóscadh iomlán PDF atá inrochtana ar líne. Trí líne úsáideacha: déan an cliant a thionscnaimh, glaoigh ar process, agus déan iteráid trí na leathanaigh.

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)

Tabhair faoi deara an page.index + 1: tosaíonn an t-innéacs a thugtar ar ais ag an API ag nialas, ach áiríonn do chustaiméirí ón uimhir a haon. Is fritháireamh beag é fad is a choinníonn tú é i gcuimhne, ach is foinse mearbhaill leanúnaigh é nuair a aimsíonn tú é i dtuairisc a seachadtar do chliant.

Comhad ó Do Mheaisín a Phróiseáil

Sa saol fíor, is annamh a thagann doiciméid trí URL poiblí. Tá siad agat ar an diosca, tá siad rúnda, mar sin déanann tú iad a ionchódú i mbonn64. Próiseálann an script seo a leanas sonrasc soláthraí agus cumaisc sé gach leathanach ina bhloc téacs amháin:

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)

Oibríonn cumasc trí "\n\n".join(...) go maith le haghaidh taispeána nó cuardaigh téacs iomláin. Mar sin féin, scriosann sé an teorainn idir leathanaigh: má theastaíonn uait foinse a lua nó úsáideoir a threorú chuig an leathanach ceart de chonradh ina dhiaidh sin, coinnigh an struchtúr leathanach ar leathanach seachas an bloc aonair seo.

An tEastóscadh a Shábháil

Costas airgid agus ama gach gla OCR. Is botún é an tuairisc dhá chéad leathanach céanna a eastóscadh arís toisc gur dhearmad tú an toradh a shábháil, botún nach ndéanann tú ach uair amháin. Scríobhann an fheidhm thíos an Markdown go comhad, ag marcáil briseadh leathanaigh le trácht agus leathantóir:

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")

Tá an trácht HTML <!-- Page N --> dofheicthe sa radharc renderáilte ach fanann sé sa chomhad: is féidir leat é a aimsiú trí shloinn rialta chun leathanú a athchruthú le linn innéacsaithe.

Cás Íomhá Aonair

Níl OCR 4 teoranta do PDFanna. Grianghraf de shonrasc tógtha ar fhón, glacadóir scantha, scáileanghabháil—seoltar iad go léir ar an mbealach céanna, ag baint úsáide as an gcineál 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)

Coinníonn an fhreagairt an fhoirm chéanna: liosta leathanach, nach bhfuil ann ach ceann amháin sa chás seo. Mar sin, fanann do chód próiseála mar an gcéanna beag beann ar chineál an chomhaid ionchuir, rud a shimplíonn píblínte measctha go mór.

Doiciméad Léaráideach a Athchruthú

Tagraíonn an Markdown a thugtar ar ais d’íomhánna mar ![imageN.jpg](imageN.jpg), gan iad a leabú. Má theastaíonn comhad neamhspleách uait—tuairisc inléite as líne, réamhamharc le seoladh trí ríomhphost—iarr na híomhánna i mbonn64 agus cuir gach tagairt in ionad URI sonraí:

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"![{image.id}]({image.id})"
        data_uri = f"![{image.id}](data:image/jpeg;base64,{image.image_base64})"
        markdown = markdown.replace(placeholder, data_uri)

    print(markdown[:500])

Fásann an comhad mar thoradh air go tapa, ós rud é go bhfuil bonn64 thart ar trian níos troime ná an dénártha bunaidh. Coinnigh an t-athchruthú seo do dhoiciméid a theastaíonn uait a dhéanamh neamhspleách, agus coinnigh íomhánna mar chomhaid ar leith i do phíblínte innéacsaithe.

Sula dtéann tú ar aghaidh, tóg doiciméad leat féin—sonrasc, conradh, leathanach scantha—agus rith é tríd an script eastóscadh áitiúil. Déan comparáid idir an Markdown a thagann as agus an bunleagan líne ar líne: is iad na difríochtaí a aimsíonn tú, tábla atá athchruthaithe go dona nó ceanntásc ionsúite isteach i dtéacs an choirp, na fadhbanna díreacha a mhúinfidh na trí cheacht eile duit a láimhseáil.

Príomhphointí

  • Tógann an gla OCR 3 líne: cliant, process, léigh leathanaigh
  • Bain úsáid as bonn64 do chomhaid áitiúla, URL do dhoiciméid phoiblí
  • Is Markdown struchtúrtha é an toradh, réidh le húsáid
  • Is féidir íomhánna eastósctha a athcheangal le téacs
  • Sábháil do chuid eastóscadh i gcónaí chun glaonna API athfhillteacha a sheachaint