Ekstrakcija tablica i strukture
Na ovoj stranici
Ažurirano 2. studenoga 2026. — OCR. Verzija OCR 4.0 (
mistral-ocr-4-0) povučena je iz upotrebe 30. rujna 2026. Koristi OCR 4.1 (mistral-ocr-4-1), koji je općenito dostupan od 31. kolovoza po istoj cijeni, ili aliasmistral-ocr-latest, koji na njega pokazuje od 16. srpnja. OCR 4.1 dodaje ocjene pouzdanosti na razini blokova.
Tablice: Povijesna slabost OCR-a
Zatraži li od Tesserracta da izvuče sažetnu tablicu iz financijskog izvješća, dobit ćeš niz redaka u kojem se vrijednosti iz stupca „Ukupno“ miješaju s onima iz stupca „Količina“, bez ikakve poveznice koja bi ih vratila u izvorne retke. Problem nije u prepoznavanju znakova, koje funkcionira besprijekorno; radi se o potpunom nedostatku svijesti o tabličnoj strukturi. Tradicionalna rješenja čitaju slijeva nadesno, odozgo prema dolje, usput gubeći veze između stupaca i redaka.
OCR 4 pristupa stranici drugačije: on je vidi. To vizualno razumijevanje omogućuje mu da obnovi tablicu kao tablicu, a ne kao spljošteni tekst.
Parametar table_format
Rendiranje tablica kontroliraš jednim parametrom koji prosljeđuješ pozivu OCR-a:
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Markdown format (recommended for most cases)
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/financial-report.pdf"
},
table_format="markdown"
)
Moguće su tri vrijednosti, a izbor nije kozmetičke prirode: on određuje što možeš učiniti s rezultatom u daljnjem tijeku obrade.
Kod null, zadane vrijednosti, tablice su integrirane u Markdown tok bez specifičnog tabličnog formatiranja. Ova postavka funkcionira kada ne obrađuješ tablične dokumente i želiš samo indeksirati tekst.
Kod "markdown", svaka se tablica renderira u standardnom formatu s cjevčicama, proizvodeći izlaz koji je čitljiv kakav jest i jednostavan za parsiranje:
| Product | Quantity | Unit Price | Total |
|---------|----------|------------|-------|
| Widget A | 100 | €12.50 | €1,250 |
| Widget B | 50 | €25.00 | €1,250 |
| **Total** | **150** | | **€2,500** |
Kod "html", tablica se renderira kao potpuni HTML, čuvajući spajanje ćelija i napredno formatiranje koje Markdown ne može izraziti:
<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>
U praksi, Markdown pokriva većinu potreba: indeksiranje za RAG, pretraživanje ili prikaz u uređivaču. Prebaci se na HTML čim tvoje tablice uključuju spojene ćelije ili rezultat treba biti ugrađen u web stranicu. Zadrži null samo kada tablice nisu bitne u tvom radnom tijeku – recimo, kod narativnog izvješća ili dopisivanja.
Dohvaćanje tablica kao podataka
Markdown tablica je i dalje tekst. Da bi je pretvorio u podatke kojima možeš manipulirati, moraš je uočiti u toku i razdvojiti. Donja funkcija prolazi kroz retke, identificira one koji pripadaju tablici, ignorira razdjelni redak i zatvara trenutnu tablicu čim se pojavi običan redak:
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]]]:
"""Extracts Markdown tables and converts them to lists."""
tables = []
lines = markdown.split("\n")
current_table = []
in_table = False
for line in lines:
if "|" in line and line.strip().startswith("|"):
# Ignore separator line (|---|---|)
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
# OCR extraction with Markdown tables
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/invoice.pdf"
},
table_format="markdown"
)
# Iterate through pages and extract tables
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))
Završna provjera izvan petlje nije dekorativna: bez nje, tablica na kraju stranice – čest slučaj kod sažetka računa – nikada ne bi bila dodana na popis, jer nema običnog retka koji bi je zatvorio.
Prelazak na pandas za analizu
Popis popisa dovoljan je za izvoz, ali ne i za izračune. Pretvorba u DataFrame znači promicanje prvog retka u zaglavlja:
import pandas as pd
def tables_to_dataframes(markdown: str) -> list[pd.DataFrame]:
"""Converts Markdown tables to pandas DataFrames."""
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
# Usage
for page in ocr_response.pages:
dfs = tables_to_dataframes(page.markdown)
for df in dfs:
print(df.to_string())
print()
Test len(table) < 2 filtrira lažno pozitivne rezultate: izolirani redak koji sadrži cjevčicu, unutar bloka koda ili adrese, neće proizvesti pokvareni, prazni DataFrame. Imaj na umu da vrijednosti ostaju nizovi znakova; pretvorba „€1,250“ u broj i dalje je na tebi.
Kada tablice postanu komplicirane
Spojene ćelije, zaglavlja s dvije razine ili nepravilni rasporedi guraju Markdown izvan njegovih izražajnih granica. Tada prijeđi na HTML i prepusti BeautifulSoupu i pandasu da se pozabave analizom:
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)
Ovaj pristup štedi ti pisanje parsera: pd.read_html rukuje atributima rowspan i colspan koje bi tvoje ručno razdvajanje propustilo. Cijena je dodatna ovisnost i nešto opširniji izlaz – kompromis koji se isplati za financijska izvješća ili regulatorne tablice.
Ključne točke
- Parametar
table_formatkontrolira renderiranje tablica (null, markdown, html) - Markdown format odgovara većini slučajeva upotrebe
- HTML format čuva spojene ćelije i napredno formatiranje
- Izvučene tablice mogu se pretvoriti u pandas DataFrame za analizu
- OCR 4 vjerno rekonstruira tabličnu strukturu, čak i na složenim rasporedima