Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Ekstrakcija tablica i strukture

Lekcija 6 od 16 Ažurirano 2. studenoga 2026. Programer
Na ovoj stranici
  1. Tablice: Povijesna slabost OCR-a
  2. Parametar table_format
  3. Dohvaćanje tablica kao podataka
  4. Prelazak na pandas za analizu
  5. Kada tablice postanu komplicirane
  6. Ključne točke

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 alias mistral-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_format kontrolira 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