Optimizing Cruinneas an OCR
Ar an leathanach seo
Nuashonrú 2 Samhain 2026 — OCR. Cuireadh deireadh le OCR 4.0 (
mistral-ocr-4-0) ar 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. Cuireann OCR 4.1 scóir muiníne ar leibhéal na mbloc leis. Forlíonadh 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. Foinse: OCR Processor · Document QnA.
Cinneann Cáilíocht an Ionchuir Cáilíocht an Aschuir
Chuir foireann Mistral an scéal go díreach ina ngréasánseimineár um Document AI: is é “bruscar isteach, bruscar amach” an scéal. Cibé chomh cumhachtach agus atá an tsamhail, ní féidir léi faisnéis a aisghabháil nár ghlac an scanadh léi. Nuair a bhíonn tionscadal eastósctha ag feidhmiú go dona, is beagnach i gcónaí os cionn an API atá an locht—cóip fhaded, facs ath-scantha, nó grianghraf tógtha ar uillinn i stóras dona soilsithe. Clúdaíonn an ceacht seo na giuirléidí a imríonn tionchar iarbhír ar chruinneas.
Taifeach agus Réamhphróiseáil
Is é taifeach an scanadh an chéad ghiuirléid. Braitheann na spriocanna ar an méid atá sa doiciméad:
- Doiciméid chlóite: 200 DPI ar a laghad, 300 DPI molta
- Lámhscríbhinn: 300 DPI ar a laghad
- Táblaí casta: 300 DPI molta
- Doiciméid stairiúla: 400 DPI nó níos airde
Faoi bhun na luachanna seo, imíonn línte míne, agus ní féidir le haon phróiseáil bogearraí iad a thabhairt ar ais. Ní dhéanann dul níos airde ach méid an chomhaid a mhéadú den chuid is mó. Má tá smacht agat ar an slabhra scanadh, sábhálfaidh an scanóir a shocrú i gceart níos mó trioblóide duit ná aon chleas códúcháin.
Nuair a thagann an doiciméad digitithe cheana féin, is féidir le réamhphróiseáil íomhá talamh a aisghabháil. Cuireann an fheidhm thíos ceithre oibríocht chlasaiceacha i bhfeidhm i sraith—tiontú scála liath, feabhsú codarsnachta, géarú, agus déthéacsú—sula dtugtar an íomhá ar ais i gcódú bonn64, réidh don ghlaoch OCR:
from PIL import Image, ImageEnhance, ImageFilter
import io
import base64
def pre_process_image(image_path: str) -> str:
"""Pre-processes an image to improve OCR extraction."""
img = Image.open(image_path)
# 1. Convert to grayscale
img = img.convert("L")
# 2. Increase contrast
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(1.5)
# 3. Increase sharpness
img = img.filter(ImageFilter.SHARPEN)
# 4. Binarization (thresholding)
img = img.point(lambda x: 0 if x < 128 else 255, "1")
# Convert to base64
buffer = io.BytesIO()
img.save(buffer, format="PNG")
return base64.b64encode(buffer.getvalue()).decode("utf-8")
Déan tástáil ar an bpróiseáil seo ar shampla sula gcuirtear i bhfeidhm ar bhaisc iomlána é. Go háirithe, tá an déthéacsú brúidiúil: ar dhoiciméad atá géar cheana féin, ní chuireann sé aon rud leis, agus ar dhoiciméad luaidhe, is féidir leis an téacs a scriosadh go hiomlán.
Is é an treoshuíomh an ceartú eile nach chóir duit a dhéanamh neamhaird air. Is minic a thagann scanadh rothlaithe 90 nó 180 céim, agus de ghnáth stóráiltear an fhaisnéis treoshuímh i meiteashonraí EXIF na híomhá:
from PIL import Image
def correct_orientation(image_path: str) -> Image.Image:
"""Corrects the orientation of a scanned image via EXIF metadata."""
img = Image.open(image_path)
# Use EXIF data to correct orientation
try:
exif = img._getexif()
if exif:
orientation = exif.get(274) # EXIF orientation tag
rotations = {3: 180, 6: 270, 8: 90}
if orientation in rotations:
img = img.rotate(rotations[orientation], expand=True)
except (AttributeError, KeyError):
pass
return img
Tá údar leis an mbloc try leathan anseo: níl meiteashonraí EXIF ag go leor íomhánna, agus níor chóir do shonraí treoshuímh in easnamh cur isteach ar phróiseáil baisce.
An Chumraíocht a Oiriúnú don Chineál Doiciméid
I gcás doiciméad coitianta clóite—fáltais, conarthaí, tuarascálacha—is é an chumraíocht is fearr ná iarraidh go sonrach ar eastóscadh táblaí seachas brath ar shocruithe réamhshocraithe:
# Optimal configuration for printed documents
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
table_format="markdown" # Explicit table extraction
)
Éilíonn lámhscríbhinn níos mó cúraim réamhtheachtach. Scan ag 300 DPI ar a laghad, méadaigh an chodarsnacht idir an dúch agus an páipéar, ach scipeáil an déthéacsú ionsaitheach ón script roimhe seo: scriosann sé strócanna míne peann liathróide, agus caillfidh tú níos mó faisnéise ná a ghnóthóidh tú. Déileálann an tsamhail féin go maith le lámhscríbhinn, lena n-áirítear téacs ilteangach, rud nach raibh cinnte le glúnta OCR roimhe seo.
Ansin tá scanadh atá go mór truaillithe—cartlanna, doiciméid chraptha, cóipeanna de chóipeanna. Athraíonn an straitéis: tosaigh le torann a laghdú le scagaire meánach sula ndéantar an chodarsnacht a mhéadú, ansin méadaigh an ghile má tá an rud ar fad ró-dhorcha fós.
from PIL import Image, ImageFilter, ImageEnhance
def improve_scan(path: str) -> Image.Image:
"""Improves a low-quality scan."""
img = Image.open(path)
# Noise reduction
img = img.filter(ImageFilter.MedianFilter(size=3))
# Increase contrast
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# Increase brightness if too dark
enhancer = ImageEnhance.Brightness(img)
img = enhancer.enhance(1.2)
return img
Tá tábhacht leis an ord: má mhéadaíonn tú an chodarsnacht sula mbaintear an torann, neartaíonn tú na smálacha chomh mór céanna leis na litreacha.
Toirteanna Próiseála
Nuair a sháraíonn líon na gcomhad cúpla ceann, teastaíonn próiseáil bhaisce le láimhseáil earráide in aghaidh an chomhaid. I gcás toirteanna an-mhóra, tairgeann Mistral an tseirbhís Batch Inference; léiríonn an script seo a leanas an loighic bhunúsach do fhillteán PDFanna, áit a ndéantar gach teip a logáil sna torthaí in ionad an lúb a bhriseadh:
import os
import json
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def process_folder(folder: str) -> dict:
"""Processes all PDFs in a folder."""
results = {}
path = Path(folder)
for file in path.glob("*.pdf"):
print(f"Processing {file.name}...")
with open(file, "rb") as f:
import base64
doc_b64 = base64.b64encode(f.read()).decode("utf-8")
try:
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{doc_b64}"
},
table_format="markdown"
)
results[file.name] = {
"pages": len(response.pages),
"content": "\n\n".join(
p.markdown for p in response.pages
)
}
except Exception as e:
results[file.name] = {"error": str(e)}
return results
Tugann an foclóir torthaí seo duit, ag deireadh na próiseála, an liosta cruinn de chomhaid le triail arís. Ar bhaisc de roinnt céad doiciméad, sin an difríocht idir trí chomhad a athrith agus tosú ón mbun arís.
Fíoraigh Sula nÚsáideann Tú
D’fhéadfadh eastóscadh a d’éirigh go teicniúil teipthe go praiticiúil: leathanach bán ar ais do scanadh nach féidir a léamh, nó tuile carachtar bruscair ar íomhá thorannach. Tá roinnt heuristicaí simplí go leor chun foláireamh uathoibríoch a spreagadh.
def verify_quality(markdown: str) -> dict:
"""Verifies the quality of an OCR extraction."""
indicators = {
"length": len(markdown),
"words": len(markdown.split()),
"empty_lines_ratio": markdown.count("\n\n") / max(len(markdown), 1),
"special_chars_ratio": sum(
1 for c in markdown if not c.isalnum() and c not in " \n\t.,;:!?-"
) / max(len(markdown), 1),
}
# Alerts
if indicators["words"] < 10:
indicators["alert"] = "Very little text extracted"
elif indicators["special_chars_ratio"] > 0.3:
indicators["alert"] = "High ratio of special characters"
return indicators
Tá an dá throscán le fiosrú agus ní mór iad a chalabrú do do chorpas: deich bhfocal do leathanach conartha a chuireann fadhb in iúl, ach ní do shleamhnán seachadta nach bhfuil ann ach cúig cinn déag.
Achoimre Oibríochtúil
Cuimhnigh ar an slabhra ina ord loighciúil. Scan ag 300 DPI ar a laghad do dhoiciméad ar bith nach bhfuil triviálach, agus méadaigh an chodarsnacht sula seolann tú má tá an doiciméad tuar. Ceartaigh uillinn rothlaithe na scanadh. Is fearr i gcónaí an PDF dúchasach a roghnú thar scanadh nuair atá sé ar fáil: tá a cháilíocht níos fearr go struchtúrtha. Sonraigh go sonrach table_format="markdown" nó "html" i gcónaí nuair a bhíonn táblaí i gceist. Déan próiseáil i mbaisc agus comhthreomhaigh glaonna do thoirteanna móra. Agus bailíochtaigh cáilíocht an eastósctha go córasach sula gcothaíonn tú isteach i do chóras faisnéise é—costaíonn drochshonraí níos mó ná sonraí in easnamh.
Príomhphointí
- Is é cáilíocht an bhun-doiciméid an príomhfhachtóir i gcruinneas
- Feabhsaíonn réamhphróiseáil íomhá (codarsnacht, géarú, déthéacsú) torthaí
- Oiriúnaigh do chur chuige don chineál doiciméid (clóite, lámhscríofa, truaillithe)
- Bain úsáid as próiseáil bhaisce do thoirteanna móra
- Bailíochtaigh cáilíocht an eastósctha i gcónaí sula n-úsáideann tú é