OCR agus Tras-scríobh Téacs in Íomhánna
Ar an leathanach seo
Téacs a Léamh in Íomhánna
Is é OCR (Aitheantas Carachtar Optúil) ceann de na cásanna úsáide is coitianta don API Fís. Le samhlacha ilmhóideacha Mistral, is féidir leat téacs a bhaint as grianghraif, scáileáin ghabhála, doiciméid scanáilte, sonraisc, nó receiptí gan leabharlann OCR tiomnaithe a shuiteáil—gan Tesseract, gan samhlacha teanga, gan píblíne réamhphróiseála.
Ní hamháin go mbaineann an buntáiste le spleáchas a laghdú. Tugann OCR clasaiceach carachtair ar ais; tuigeann samhail ilmhóideach an méid a léann sí agus is féidir léi, sa ghla céanna, idirdhealú a dhéanamh idir uimhir shonraisc agus uimhir ordaithe ceannaigh. Clúdaíonn an ceacht seo cásanna úsáide coitianta agus teicnící a fheabhsaíonn cruinneas go concreideach.
OCR Simplí: Téacs Infheicthe a Léamh
Tagann an cur chuige is díreach anuas ar leid amháin, ar choinníoll go bhfuil sé soiléir:
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "user",
"content": [
{"type": "text", "text": "Transcribe exactly all visible text in this image. Do not comment, do not summarize--return only the text as it appears."},
{"type": "image_url", "image_url": "https://exemple.com/document-scanne.jpg"}
]
}
]
)
print(response.choices[0].message.content)
Is é “exactly” an focal eochair. Gan an treoir seo, bíonn claonadh ag an tsamhail an t-ábhar a pharaphráisiú nó a achoimriú toisc gurb é sin a dhéanann cúntóir cabhrach go spontáineach: anseo, tá tú ag iarraidh an contrárthacht de sheirbhís, athsheachadadh liteartha.
Téacs a Bhaint as Sonrasc
Bíonn faisnéis struchtúrtha i sonraisc—eisiúntóir, faighteoir, méideanna, dátaí—is féidir leis an tsamhail a aithint de réir a róil, ní hamháin de réir a suímh. Is é seo go díreach an buntáiste thar OCR crios-seasta, a bhriseann chomh luath agus a athraíonn an soláthraí an leagan amach:
prompt_facture = """Analyze this invoice and extract the following information:
- Issuer (name, address, SIRET if visible)
- Recipient (name, address)
- Invoice number
- Issue date
- Due date
- Billing lines (description, quantity, unit price, total)
- Subtotal excluding tax
- VAT (rate and amount)
- Total including tax
Return the result as structured JSON."""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": "You are a certified accountant. Extract billing data with precision. Return only valid JSON."
},
{
"role": "user",
"content": [
{"type": "text", "text": prompt_facture},
{"type": "image_url", "image_url": data_uri_facture}
]
}
]
)
Scáileáin Ghabhála a Thrascríobh
Is gá minic ábhar a fháil ó chomhéadan nó ó theirminéal a roinntear mar scáileán gabhála, go hiondúil i dticéad tacaíochta. Anseo, is cuid den fhaisnéis é an formáidiú: bíonn rian teirminéil dí-eangaithe dodhéanta a úsáid.
import base64
def encoder_image(chemin):
with open(chemin, "rb") as f:
b64 = base64.standard_b64encode(f.read()).decode("utf-8")
return f"data:image/png;base64,{b64}"
# Transcribe a terminal screenshot
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": "Transcribe the terminal output visible in this screenshot. Preserve formatting and indentation."
},
{"type": "image_url", "image_url": encoder_image("captures/terminal.png")}
]
}
]
)
Receiptí agus Ticéid Chláir Airgid a Léamh
Is iad receiptí teirmeacha an cás is deacra: priontáil lag, páipéar crumpáilte, dúch ag dul in éag. Is í an teicníc chinntitheach ná cead a thabhairt go sainráite don tsamhail a admháil go bhfuil sí buailte ar mhír; murach sin, líonfaidh sí bearnaí le luachanna inchreidte.
prompt_recu = """Read this cash register ticket and extract:
1. Store name
2. Date and time
3. List of items (name, price)
4. Subtotal
5. Payment method
6. Total amount
If an item is illegible, indicate [illegible].
Return the result as JSON."""
response = client.chat.complete(
model="mistral-large-latest", # Large for best reading
messages=[
{
"role": "user",
"content": [
{"type": "text", "text": prompt_recu},
{"type": "image_url", "image_url": encoder_image("recu-supermarche.jpg")}
]
}
]
)
Tá [illegible] san toradh i bhfad níos fearr ná méid bréagach: spreagann an chéad cheann fíorú daonna, agus téann an dara ceann gan bhrath go dtí go ndéantar comhréiteach cuntasaíochta. Do na doiciméid mheatha seo, úsáid Mistral Large 3—tá an difríocht i gcruinneas le Small suntasach ar théacs doiléir nó atá inléite go páirteach.
Próiseáil Doiciméad i mBaisc
Leanann scálú suas an patrún a chonaiceamar cheana: feidhm aonaid paraiméadraithe ag an tsamhail, ansin lúb thar an bhfillteán.
import json
from pathlib import Path
def ocr_document(chemin_image, modele="mistral-small-latest"):
"""Performs OCR on a document and returns the text."""
response = client.chat.complete(
model=modele,
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": "Transcribe the entire text of this document. Preserve formatting (headings, paragraphs, lists)."
},
{"type": "image_url", "image_url": encoder_image(chemin_image)}
]
}
]
)
return response.choices[0].message.content
# Process a folder
dossier = Path("documents_scannes/")
resultats = {}
for fichier in sorted(dossier.glob("*.jpg")):
print(f"OCR of {fichier.name}...")
resultats[fichier.name] = ocr_document(fichier)
# Save
with open("transcriptions.json", "w", encoding="utf-8") as f:
json.dump(resultats, f, ensure_ascii=False, indent=2)
print(f"{len(resultats)} documents transcribed.")
Níl an paraiméadar modele sa tsíniú cosmaideach: ligeann sé duit doiciméid amhrasacha a athrith le Large gan an fheidhm a athscríobh.
Cruinneas OCR a Fheabhsú
Tá dhá ghiarála ag gníomhú os comhair na samhla. Is é an chéad cheann réamhphróiseáil íomhá: éiríonn scanadh liath, codarsnacht íseal inléite tar éis é a thiontú go scála liath, feabhsú codarsnachta, agus géarú.
from PIL import Image, ImageEnhance, ImageFilter
def pretraiter_pour_ocr(chemin):
"""Improves an image for OCR: contrast, sharpness, grayscale."""
img = Image.open(chemin)
# Convert to grayscale
img = img.convert("L")
# Increase contrast
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# Increase sharpness
img = img.filter(ImageFilter.SHARPEN)
return img
Oibríonn an fachtóir 2.0 do scanadh tuartha; má bhrúitear ró-ard é, cruthaíonn sé saorgaí a dhéanann dochar don léamh. Déan tástáil ar thrí dhoiciméad ionadaíoch sula ndéanann tú an luach a ghlasáil.
Is é an dara giarála speisialú leid de réir cineáil doiciméid. Iarrann foirm “Léigh gach réimse agus an luach comhfhreagrach”, iarrann litir “Tras-scríobh corp na litreach ag caomhnú míreanna”, agus iarrann tábla “Bain sonraí tábla i bhformáid markdown”. Trí fhoirmliú, trí struchtúr aschuir: déan aicmiú ar do dhoiciméid sula ndéanann tú iad a thras-scríobh, agus léimfidh an cháilíocht céim amháin.
API Fís vs Document AI
Le haghaidh OCR agus parsáil doiciméad casta, tairgeann Mistral freisin Document AI (OCR 4), seirbhís speisialaithe. Léiríonn an tábla seo a leanas an teorainn idir an dá cheann.
| Criterion | Vision API | Document AI (OCR 4) |
|---|---|---|
| Simple OCR | Sufficient | Overqualified |
| Complex documents | Limited | Optimized |
| Nested tables | Approximate | Precise |
| Multi-page PDFs | Not supported | Supported |
| Complex layout | Basic | Advanced |
Is iad PDFanna illeathanaigh an líne chinntitheach: próiseálann an API Fís íomhánna, ní doiciméid leathanaithe. Chomh luath agus is PDF de roinnt scór leathanach é do fhoinse, ní bhíonn an cheist ann a thuilleadh. Déanfaimid plé ar Document AI i gCeacht 12 (Na Chéad Chéimeanna Eile).
Príomhphointí
- Déanann an API Fís OCR leordhóthanach do chásanna simplí (sonraisc, scáileáin ghabhála, receiptí)
- Úsáid an focal “exactly” i do leid chun paraphráisiú a sheachaint
- Tá Mistral Large 3 i bhfad níos fearr ná Small do dhoiciméid ar chaighdeán íseal
- Feabhsaíonn réamhphróiseáil íomhá (codarsnacht, scála liath) na torthaí
- Le haghaidh OCR casta agus PDFanna illeathanaigh, smaoinigh ar Document AI (OCR 4) ó Mistral