Do Chéad Ghla OCR i bPython
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. 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-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: 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. 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 , 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""
data_uri = f""
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