Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Ceanntáscanna, buntáscanna, agus leathanú

Ceacht 7 as 16 Nuashonraithe 2 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Scar maisiúchán ó ábhar
  2. Rochtain ar na réimsí
  3. Leathanú a athchruthú
  4. Ábhar glan do RAG
  5. Úsáid a bhaint as meiteashonraí an bhuntáisc
  6. Cuid den doiciméad a phróiseáil amháin
  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.

Scar maisiúchán ó ábhar

Ó leagan OCR 2512 (Nollaig 2025), baineann samhlacha OCR Mistral ceanntáscanna agus buntáscanna amach go leithleach do gach leathanach. D’fhéadfadh sé go mbeadh an ghné seo cosúil le rud beag bídeach go dtí go ndéanann tú innéacsú ar chonradh 120 leathanach: feictear ainm an ghnólachta dlí, an marcáil “Rúnda”, agus na huimhreacha leathanaigh 120 uair, ag truailliú gach toradh cuardaigh. Ar dhoiciméid fhoirmiúla—conarthaí, tuarascálacha bliantúla, téacsanna rialála—claochlaíonn an scaradh seo cáilíocht gach rud a thagann ina dhiaidh.

Tá an deacracht fíor. Déanann na heilimintí seo athrá meicniúil ar gach leathanach, ag cruthú torainn sa dá chás, san innéacsú agus i bhfreagairtí córas RAG. Ach uaireanta, is iadsan an t-aon mheiteashonraí iontaofa atá sa doiciméad: uimhir leagan, dáta eisiúna, leibhéal aicmithe. Trí iad a bhaint amach go leithleach, seachas iad a scriosadh nó iad a fhágáil sa téacs corp, is féidir leat cinneadh a dhéanamh ó chás go cás.

Rochtain ar na réimsí

Tá na réimsí header agus footer ar fáil go díreach ar gach leathanach den fhreagairt:

import os
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://exemple.com/contrat.pdf"
    }
)

for page in ocr_response.pages:
    print(f"--- Page {page.index + 1} ---")

    if page.header:
        print(f"Header: {page.header}")

    print(f"Content: {page.markdown[:100]}...")

    if page.footer:
        print(f"Footer: {page.footer}")

    print()

Níl na seiceálacha if page.header iomarcach: níl ceanntásc ar gach leathanach, ag tosú le leathanaigh chlúdaigh, agus sa chás sin, is None an luach sa réimse.

Leathanú a athchruthú

Tá gach leathanach innéacsaithe ó nialas. I gcás doiciméad illeathanaigh atá tú ag pleanáil a stóráil nó a thabhairt ar ais d’iarratas, is fearr an struchtúr a normalú láithreach: uimhir inléite don duine, ábhar, maisiúchán, toisí, agus líon na n-íomhánna.

def extract_with_pagination(ocr_response) -> dict:
    """Extract content while preserving pagination."""
    document = {
        "page_count": len(ocr_response.pages),
        "pages": []
    }

    for page in ocr_response.pages:
        page_data = {
            "number": page.index + 1,
            "content": page.markdown,
            "header": page.header or "",
            "footer": page.footer or "",
            "dimensions": {
                "width": page.dimensions.width if page.dimensions else None,
                "height": page.dimensions.height if page.dimensions else None,
            },
            "image_count": len(page.images) if page.images else 0,
        }
        document["pages"].append(page_data)

    return document

Tiontaíonn na hoibreoirí or "" agus na gardaí ar page.dimensions luachanna a d’fhéadfadh a bheith null go réamhshocruithe neodrach. Coscann sé seo AttributeError leathbhealaigh trí bhaisc agus tú ag próiseáil an 80ú doiciméad.

Sloinntear na toisí i bpointí PDF, áit a bhfuil pointe amháin cothrom le 1/72 d’orlach. Na formáidí is minice a bhuailfidh tú leo:

  • A4: 595 x 842 pointe
  • Litir: 612 x 792 pointe
  • A3: 842 x 1191 pointe

Cuidíonn an t-eolas seo leat leathanaigh imeachtacha a aithint i mbaisc—greamán A3 sleamhnaithe i measc bileog A4, nó scanadh ar scála neamhghnách. Déanann tiontú go ceintiméadair an diagnóisic láithreach:

for page in ocr_response.pages:
    if page.dimensions:
        width_cm = page.dimensions.width * 2.54 / 72
        height_cm = page.dimensions.height * 2.54 / 72
        print(f"Page {page.index + 1}: {width_cm:.1f} x {height_cm:.1f} cm")

Ábhar glan do RAG

Ag brath ar an doiciméad, d’fhéadfadh an ceanntásc agus an buntásc a bheith sa phríomh markdown freisin. Roimh innéacsú, bain iad nuair a fhrámaíonn siad an t-ábhar i ndáiríre:

def main_content(ocr_response) -> str:
    """Extract only the main content, without headers/footers."""
    parts = []

    for page in ocr_response.pages:
        content = page.markdown

        # Optional: remove headers/footers from markdown
        # if they are included in the main content
        if page.header and content.startswith(page.header):
            content = content[len(page.header):].strip()

        if page.footer and content.endswith(page.footer):
            content = content[:-len(page.footer)].strip()

        parts.append(content)

    return "\n\n".join(parts)

Tá na coinníollacha startswith agus endswith cúramach d’aon ghnó: ní bhainimid an teaghrán ach amháin má fheictear é i ndáiríre ag tús nó ag deireadh an leathanaigh. Cuireann baineadh dall trí replace baol ann go scriosfá tarlú dlisteanach d’ainm an chomhlachta i lár an téacs.

Úsáid a bhaint as meiteashonraí an bhuntáisc

Nuair atá buntáscanna aonraithe, is leor roinnt slonn rialta chun meiteashonraí struchtúrtha a bhaint amach: leathanú i bhformáid “3 / 40”, dáta eisiúna, uimhir leagan, agus leibhéal aicmithe.

import re

def extract_footer_metadata(ocr_response) -> dict:
    """Extract metadata from footers."""
    metadata = {
        "page_numbers": [],
        "dates": [],
        "versions": [],
        "classifications": [],
    }

    for page in ocr_response.pages:
        footer = page.footer or ""

        # Page number search
        match_page = re.search(r"(\d+)\s*/\s*(\d+)", footer)
        if match_page:
            metadata["page_numbers"].append(
                f"{match_page.group(1)}/{match_page.group(2)}"
            )

        # Date search
        match_date = re.search(r"\d{2}/\d{2}/\d{4}", footer)
        if match_date:
            metadata["dates"].append(match_date.group())

        # Version search
        match_version = re.search(r"v(?:ersion)?\s*(\d+\.?\d*)", footer, re.I)
        if match_version:
            metadata["versions"].append(match_version.group(1))

        # Classification (Confidential, Public, etc.)
        for classification in ["confidential", "public", "internal", "secret"]:
            if classification in footer.lower():
                metadata["classifications"].append(classification)

    return metadata

Tá luach ann thar chutamas doiciméadach. Is féidir leis an aicmiú a bhrathfar anseo tiomáint a thabhairt do phróiseáil ina dhiaidh sin: seol míreanna marcáilte “rúnda” chuig innéacs rochtana srianta, nó diúltaigh iad a sheoladh chuig seirbhís sheachtrach. Ar ndóigh, oiriúnaigh an foclóir chun teacht le téarmaíocht d’eagraíochta féin.

Cuid den doiciméad a phróiseáil amháin

I gcás doiciméad mhóra, is minic nach dteastaíonn uait ach alt amháin—na hiarscríbhinní airgeadais de thuarascáil, an caibidil shínithe de chonradh. Tarlaíonn an scagadh tar éis an bhaint amach, ar an bhfreagairt a fuair tú cheana:

def extract_range(ocr_response, start: int, end: int) -> str:
    """Extract content from a page range (1-indexed)."""
    parts = []

    for page in ocr_response.pages:
        number = page.index + 1
        if start <= number <= end:
            parts.append(page.markdown)

    return "\n\n---\n\n".join(parts)


# Extract pages 5 to 10
partial_content = extract_range(ocr_response, 5, 10)

Úsáideann an fheidhm uimhriú inléite don duine, ag tosú ó 1: nuair a iarrann tú leathanaigh 5 go 10, filleann sé na leathanaigh sin go díreach. Cuimhnigh, áfach, gur próiseáladh an doiciméad iomlán—agus gur gearradh táille air—roimh an scagadh seo. Má tá a fhios agat roimh ré nach bhfuil suim agat ach i roinnt leathanach, roinn an PDF suas an sruth seachas na 1,000 leathanach go léir a sheoladh chuig an API.

Príomhphointí

  • Baintear ceanntáscanna agus buntáscanna amach go leithleach ó OCR 2512
  • Scag iad chun torann a sheachaint i do phíblínte RAG
  • Tá toisí leathanaigh i bpointí PDF (72 pointe = 1 orlach)
  • Is minic a bhíonn meiteashonraí úsáideacha i mbuntáscanna (leagan, dáta, aicmiú)
  • Próiseáil de réir raonta leathanach do dhoiciméid mhóra