Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Sonraí Struchtúrtha a Eastóscadh ó Íomhánna

Ceacht 9 as 12 Nuashonraithe 2 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Íomhánna a Thiontú ina Sonraí Inghníomhaithe
  2. Mód JSON an API
  3. Tábla a Eastóscadh ó Íomhá
  4. Foirmeacha agus Doiciméid Riaracháin
  5. Sonraí Lipéad Táirge a Eastóscadh
  6. Píblíne Eastósctha le Bailíochtú
  7. Tiontú go CSV nó DataFrame
  8. Príomhphointí

Íomhánna a Thiontú ina Sonraí Inghníomhaithe

Díríodh ar thras-scríobh téacs sa cheacht roimhe seo; téann an ceacht seo níos faide trí shonraí struchtúrtha a tháirgeadh. Ciallaíonn sonraí struchtúrtha a eastóscadh inneachar amhairc íomhá – tábla, foirm, cárta gnó, nó lipéad – a thiontú go JSON, CSV, nó aon fhormáid eile is féidir le do chód a láimhseáil go díreach, gan athbhreithniú de láimh.

Tá na geallta níos airde. D’fhéadfadh tras-scríobh garbh cabhrú fós le léitheoir daonna, ach má chailleann tú eochair amháin i bhfreagairt JSON, titfidh an clár a úsáideann é. Clúdaíonn an ceacht seo an dá ráthaíocht atá uait le cur i bhfeidhm: mód JSON an API le haghaidh bailíocht chomhréireach, agus bailíochtú scéime le haghaidh comhlíontachta gnó.

Mód JSON an API

Tairgeann Mistral paraiméadar response_format a chuireann iallach ar an múnla JSON bailí a thabhairt ar ais. Gan é, caithfidh tú am ag glanadh freagairtí atá fillte i mblocanna Markdown nó réamhráite le habairtí cúirtéiseacha.

from mistralai.client import Mistral
import os
import json

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

response = client.chat.complete(
    model="mistral-large-latest",
    response_format={"type": "json_object"},
    messages=[
        {
            "role": "system",
            "content": "Always return a valid JSON object with the data extracted from the image."
        },
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Extract the following data from this business card as JSON: name, title, company, email, phone, address."
                },
                {"type": "image_url", "image_url": data_uri_carte}
            ]
        }
    ]
)

# The result is directly parsable
donnees = json.loads(response.choices[0].message.content)
print(json.dumps(donnees, indent=2, ensure_ascii=False))

Ritheann an glao json.loads gan aon réamhchúraim speisialta: ráthaíonn response_format={"type": "json_object"} aschur JSON atá bailí go comhréireach. Mar sin féin, ní ráthaíonn sé cé na heochracha atá i láthair. Sin an fáth go gcaithfidh tú an fhormáid a bhfuiltear ag súil léi a chur síos sa leid féin, mar a thaispeántar sna samplaí thíos.

Tábla a Eastóscadh ó Íomhá

Is cás úsáide coitianta iad táblaí grianghrafaithe nó gabhálacha scáileáin, agus is ansin a íocann scéima sainráite an toradh is mó. Gan treoracha soiléire, cumfaidh an múnla a struchtúr féin, rud a d’fhéadfadh a bheith difriúil le gach glao.

prompt_tableau = """Extract the content of this table as JSON.
Expected format:
{
  "columns": ["Column1", "Column2", ...],
  "rows": [
    {"Column1": "value", "Column2": "value"},
    ...
  ]
}
Read all visible rows. If a cell is empty, use null."""

response = client.chat.complete(
    model="mistral-large-latest",
    response_format={"type": "json_object"},
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": prompt_tableau},
                {"type": "image_url", "image_url": encoder_image("captures/tableau-excel.png")}
            ]
        }
    ]
)

donnees = json.loads(response.choices[0].message.content)
print(f"Columns: {donnees['columns']}")
print(f"Number of rows: {len(donnees['rows'])}")

Tá an treoir maidir le cealla folmha ríthábhachtach. Gan í, d’fhéadfadh an múnla luachanna a aistriú chun bearnaí a líonadh, rud a shaobhfadh an tábla. Soláthraíonn líon na rónna a thaispeáint seiceáil réasúnachta láithreach: má thaispeánann an íomhá dhá rón déag ach tuairiscíonn an script ocht, tá an t-eastóscadh neamhiomlán.

Foirmeacha agus Doiciméid Riaracháin

Tugann foirmeacha líonta dhúshlán isteach: lámhscríbhinn agus boscaí seiceála, nach bhfuil aon luach téacs acu. Caithfidh do scéima réimsí tiomnaithe a áireamh dá bhrí sin dóibh siúd.

prompt_formulaire = """Analyze this filled form and extract all fields and their values.
Expected JSON format:
{
  "form_type": "...",
  "fields": {
    "field_name": "entered_value",
    ...
  },
  "checked_boxes": ["field1", "field2"],
  "signature_present": true/false
}
If a field is empty or illegible, use null."""

response = client.chat.complete(
    model="mistral-large-latest",
    response_format={"type": "json_object"},
    messages=[
        {
            "role": "system",
            "content": "You are a precise form extractor. Return structured JSON."
        },
        {
            "role": "user",
            "content": [
                {"type": "text", "text": prompt_formulaire},
                {"type": "image_url", "image_url": encoder_image("formulaires/cerfa-12345.jpg")}
            ]
        }
    ]
)

Sonraí Lipéad Táirge a Eastóscadh

Leanann lipéid bia struchtúr caighdeánach: tábla fíricí cothaithe in aghaidh 100 g, liosta comhábhar, agus ailléirginí. Is féidir leat an scéima a shainiú síos go dtí ainm an aonaid, rud a sheachnaíonn tuairimíocht ina dhiaidh sin faoi cibé an raibh “12” i gceist le graim nó le cileacalaí.

prompt_etiquette = """Extract the nutritional information from this label.
JSON format:
{
  "product_name": "...",
  "net_weight": "...",
  "nutrition_per_100g": {
    "energy_kcal": ...,
    "fat_g": ...,
    "saturated_fat_g": ...,
    "carbohydrates_g": ...,
    "sugars_g": ...,
    "protein_g": ...,
    "salt_g": ...
  },
  "ingredients": "...",
  "allergens": ["..."]
}"""

response = client.chat.complete(
    model="mistral-large-latest",
    response_format={"type": "json_object"},
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": prompt_etiquette},
                {"type": "image_url", "image_url": encoder_image("produits/etiquette.jpg")}
            ]
        }
    ]
)

produit = json.loads(response.choices[0].message.content)

Píblíne Eastósctha le Bailíochtú

Sa táirgeadh, ní leor ráthaíochtaí comhréireacha. D’fhéadfadh an múnla JSON atá bailí go foirfe a thabhairt ar ais áit a bhfuil email in easnamh, nó áit a bhfuil slánuimhir in phone in ionad teaghráin. Tiontaíonn Pydantic na cásanna seo ina eisceachtaí sainráite ag an gcéim eastósctha, seachas trí chéim níos faide síos do phíblíne.

from pydantic import BaseModel, Field
from typing import Optional
import json

class BusinessCard(BaseModel):
    last_name: str
    first_name: str
    title: Optional[str] = None
    company: Optional[str] = None
    email: Optional[str] = None
    phone: Optional[str] = None
    address: Optional[str] = None
    website: Optional[str] = None

def extract_business_card(image_path):
    """Extract and validate business card data."""
    response = client.chat.complete(
        model="mistral-large-latest",
        response_format={"type": "json_object"},
        messages=[
            {
                "role": "system",
                "content": "Extract data from this business card. Fields: last_name, first_name, title, company, email, phone, address, website. Return JSON."
            },
            {
                "role": "user",
                "content": [
                    {"type": "text", "text": "Extract information from this business card."},
                    {"type": "image_url", "image_url": encoder_image(image_path)}
                ]
            }
        ]
    )

    # Parse and validate with Pydantic
    raw_data = json.loads(response.choices[0].message.content)
    card = BusinessCard(**raw_data)
    return card

# Usage
card = extract_business_card("cartes/contact-dupont.jpg")
print(f"Contact: {card.first_name} {card.last_name} - {card.email}")

Tabhair faoi deara an difríocht idir last_name: str agus title: Optional[str] = None. Is eastóscadh teipthe é cárta gan ainm; is gnáthchás é cárta gan teideal poist. Is tú a tharraingíonn an líne sin, agus forfheidhmíonn Pydantic í.

Tiontú go CSV nó DataFrame

Is é an chéim dheireanach ná do phíblíne próiseála sonraí a bheathú. Tiontaítear an JSON a tháirgeadh thuas go díreach:

import pandas as pd

# From an extracted table
donnees = json.loads(response.choices[0].message.content)

# Create a pandas DataFrame
df = pd.DataFrame(donnees["rows"])
print(df.to_string())

# Export to CSV
df.to_csv("export/tableau_extrait.csv", index=False, encoding="utf-8")

Tá an argóint encoding="utf-8" le linn onnmhairithe éigeantach aon uair a bhíonn carachtair faoi accent nó siombailí airgeadra i do chuid sonraí.

Príomhphointí

  • Ráthaíonn an paraiméadar response_format={"type": "json_object"} aschur JSON bailí
  • Soláthair scéima JSON a bhfuiltear ag súil leis i do leid i gcónaí chun treoir a thabhairt don eastóscadh
  • Úsáid Pydantic chun sonraí eastósctha a bhailíochtú sa táirgeadh
  • Is spriocanna idéalacha iad táblaí, foirmeacha, lipéid, agus cártaí gnó
  • Comhcheangail eastóscadh le pandas le haghaidh comhtháthú díreach i do shreabha oibre sonraí