Eastóscadh Táblaí agus Struchtúir
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.
Táblaí: Laige Stairiúil an OCR
Iarr ar Tesseract an tábla achoimre a eastóscadh as tuarascáil airgeadais, agus gheobhaidh tú sreang línte ina measctar luachanna ón gcolún “Iomlán” le cinn ón gcolún “Cainníocht”, gan aon leid chun iad a nascadh ar ais lena sraitheanna bunaidh. Ní hé an t-aithint carachtar atá i gceist, a oibríonn go maith; is é an easnamh iomlán ar eolas struchtúir tháblach an fhadhb. Léann réitigh thraidisiúnta ó chlé go deas, ó bharr go bun, agus cailleann siad an gaol idir colúin agus sraitheanna ar an mbealach.
Déileálann OCR 4 leis an leathanach go difriúil: feiceann sé é. Ligeann an tuiscint amhairc seo dó tábla a athshlánú mar thábla, seachas mar théacs comhréidhithe.
An Paraiméadar table_format
Rialaíonn tú athshlánú táblaí le paraiméadar amháin a chuirtear ar an nglaoch OCR:
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Formáid Markdown (molta don chuid is mó de chásanna)
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/financial-report.pdf"
},
table_format="markdown"
)
Tá trí luach indéanta, agus ní cosmaideach an rogha: cinneann sí cad is féidir leat a dhéanamh leis an toradh ina dhiaidh sin.
Le null, an luach réamhshocraithe, cuimsítear táblaí i sruth Markdown gan formáidiú táblach sonrach. Oibríonn an socrú seo nuair nach bhfuil tú ag próiseáil doiciméad táblach agus nuair nach dteastaíonn uait ach téacs a innéacsú.
Le "markdown", athshlánaítear gach tábla i bhformáid phíobáin chaighdeánach, ag táirgeadh aschuir atá inléite mar atá sé agus éasca le parsáil:
| Product | Quantity | Unit Price | Total |
|---------|----------|------------|-------|
| Widget A | 100 | €12.50 | €1,250 |
| Widget B | 50 | €25.00 | €1,250 |
| **Total** | **150** | | **€2,500** |
Le "html", athshlánaítear an tábla mar HTML iomlán, ag caomhnú cumaisc ceall agus formáidiú chun cinn nach féidir le Markdown a chur in iúl:
<table>
<thead>
<tr>
<th>Product</th>
<th>Quantity</th>
<th>Unit Price</th>
<th>Total</th>
</tr>
</thead>
<tbody>
<tr>
<td>Widget A</td>
<td>100</td>
<td>€12.50</td>
<td>€1,250</td>
</tr>
</tbody>
</table>
Go praiticiúil, clúdaíonn Markdown an chuid is mó de riachtanais: innéacsú RAG, cuardach, nó taispeáint in eagarthóir. Athraigh go HTML a luaithe a bhíonn cealla cumaiscthe i do tháblaí nó nuair is gá an toradh a leabú i leathanach gréasáin. Coinnigh null ach amháin nuair nach bhfuil tábhacht le táblaí i do shruth oibre—mar shampla, tuarascáil insinte nó comhfhreagras.
Táblaí a Fháil mar Shonraí
Is téacs fós é tábla Markdown. Chun é a thiontú ina shonraí inláimhsithe, ní mór duit é a bhrath sa sruth agus é a roinnt. Siúlann an fheidhm thíos tríd na línte, aithníonn sí na cinn a bhaineann le tábla, déanann sí neamhaird ar an líne deighilteora, agus dúnann sí an tábla reatha a luaithe a fheictear gnáthlíne:
import os
import re
import json
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def extract_markdown_tables(markdown: str) -> list[list[list[str]]]:
"""Eastóscaíonn sé táblaí Markdown agus tiontaíonn sé iad go liostaí."""
tables = []
lines = markdown.split("\n")
current_table = []
in_table = False
for line in lines:
if "|" in line and line.strip().startswith("|"):
# Déan neamhaird ar an líne deighilteora (|---|---|)
if re.match(r"^\|[\s\-:|]+\|$", line.strip()):
continue
cells = [
c.strip() for c in line.strip().strip("|").split("|")
]
current_table.append(cells)
in_table = True
else:
if in_table and current_table:
tables.append(current_table)
current_table = []
in_table = False
if current_table:
tables.append(current_table)
return tables
# Eastóscadh OCR le táblaí Markdown
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/invoice.pdf"
},
table_format="markdown"
)
# Déan athrá ar leathanaigh agus eastósc táblaí
for page in ocr_response.pages:
tables = extract_markdown_tables(page.markdown)
for i, table in enumerate(tables):
print(f"Page {page.index + 1}, Table {i + 1}:")
print(json.dumps(table, indent=2, ensure_ascii=False))
Níl an seiceáil deiridh lasmuigh den lúib dearthóireachta: gan í, ní chuirfí tábla ag deireadh leathanaigh—cás coitianta d’achoimre sonraisc—riamh leis an liosta, toisc nach dtagann aon ghnáthlíne chun é a dhúnadh.
Bogadh go pandas le haghaidh Anailíse
Tá liosta liostaí go leor le haghaidh onnmhairithe, ach ní le haghaidh ríomhaireachta. Ciallaíonn tiontú go DataFrame an chéad sraith a chur chun cinn mar cheanntáisc:
import pandas as pd
def tables_to_dataframes(markdown: str) -> list[pd.DataFrame]:
"""Tiontaíonn sé táblaí Markdown go DataFrames pandas."""
tables = extract_markdown_tables(markdown)
dataframes = []
for table in tables:
if len(table) < 2:
continue
headers = table[0]
data = table[1:]
df = pd.DataFrame(data, columns=headers)
dataframes.append(df)
return dataframes
# Úsáid
for page in ocr_response.pages:
dfs = tables_to_dataframes(page.markdown)
for df in dfs:
print(df.to_string())
print()
Scagann an tástáil len(table) < 2 bréag-dheimhnithe: ní chruthóidh líne aonair ina bhfuil píobán, laistigh de bhloc cód nó seoladh, DataFrame briste folamh. Cuimhnigh go bhfanann luachanna mar shreanga; is ortsa atá sé fós “€1,250” a thiontú go huimhir.
Nuair a Éiríonn Táblaí Casta
Brúnn cealla cumaiscthe, ceanntáisc dhá leibhéal, nó leaganacha amach neamhrialta Markdown thar a theorainneacha sléachtacha. Athraigh go HTML ansin, agus lig do BeautifulSoup agus pandas déileáil leis an anailís:
from bs4 import BeautifulSoup
import pandas as pd
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/complex-report.pdf"
},
table_format="html"
)
for page in ocr_response.pages:
soup = BeautifulSoup(page.markdown, "html.parser")
tables = soup.find_all("table")
for table in tables:
df = pd.read_html(str(table))[0]
print(df)
Sábhálann an cur chuige seo ort parsálaí a scríobh: láimhseálann pd.read_html tréithe rowspan agus colspan a d’fhágfadh do roinnt láimhe ar lár. Is é an costas ná spleáchas breise agus aschur beagán níos faide—comhréiteach atá fiúntach go maith do thuarascálacha airgeadais nó do tháblaí rialála.
Príomhphointí
- Rialaíonn an paraiméadar
table_formatathshlánú táblaí (null, markdown, html) - Oiriúnach formáid Markdown don chuid is mó de chásanna úsáide
- Caomhnaíonn formáid HTML cealla cumaiscthe agus formáidiú chun cinn
- Is féidir táblaí eastósctha a thiontú go DataFrames pandas le haghaidh anailíse
- Athshlánaíonn OCR 4 struchtúr táblach go dílis, fiú ar leaganacha amacha casta