Zaglavlja, podnožja i numeracija stranica
Na ovoj stranici
Ažurirano 2. studenoga 2026. — OCR. OCR 4.0 (
mistral-ocr-4-0) povučen je 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.
Odvoji dekoraciju od sadržaja
Od verzije OCR 2512 (prosinac 2025.), Mistralov OCR model izvlači zaglavlja i podnožja zasebno za svaku stranicu. Ova značajka može se činiti trivijalnom dok ne indeksiraš ugovor od 120 stranica: naziv odvjetničkog ureda, oznaka „Povjerljivo“ i brojevi stranica pojavljuju se 120 puta, zagađujući svaki rezultat pretraživanja. Na formalnim dokumentima—ugovorima, godišnjim izvještajima, regulatornim tekstovima—ovo odvajanje transformira kvalitetu svega što slijedi.
Dilema je stvarna. Ti se elementi mehanički ponavljaju na svakoj stranici, stvarajući šum kako u indeksiranju tako i u odgovorima RAG sustava. Ipak, oni ponekad sadrže jedine pouzdane metapodatke dokumenta: broj verzije, datum izdavanja, razinu klasifikacije. Njihovo zasebno izvlačenje, umjesto brisanja ili ostavljanja u glavnom tekstu, omogućuje ti da odlučuješ od slučaja do slučaja.
Pristup poljima
Polja header i footer dostupna su izravno na svakoj stranici odgovora:
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://exemple.com/contrat.pdf"
}
)
for page in ocr_response.pages:
print(f"--- Page {page.index + 1} ---")
if page.header:
print(f"Header: {page.header}")
print(f"Content: {page.markdown[:100]}...")
if page.footer:
print(f"Footer: {page.footer}")
print()
Provjere if page.header nisu suvišne: ne svaka stranica ima zaglavlje, počevši od naslovnica, u kojem je slučaju polje None.
Rekonstrukcija numeracije
Svaka je stranica indeksirana od nule. Za višestranični dokument koji planiraš pohraniti ili vratiti aplikaciji, bolje je odmah normalizirati strukturu: broj čitljiv čovjeku, sadržaj, dekoracija, dimenzije i broj slika.
def extract_with_pagination(ocr_response) -> dict:
"""Extract content while preserving pagination."""
document = {
"page_count": len(ocr_response.pages),
"pages": []
}
for page in ocr_response.pages:
page_data = {
"number": page.index + 1,
"content": page.markdown,
"header": page.header or "",
"footer": page.footer or "",
"dimensions": {
"width": page.dimensions.width if page.dimensions else None,
"height": page.dimensions.height if page.dimensions else None,
},
"image_count": len(page.images) if page.images else 0,
}
document["pages"].append(page_data)
return document
Operatori or "" i zaštite na page.dimensions pretvaraju potencijalno null vrijednosti u neutralne zadane vrijednosti. To sprječava AttributeError usred serije obrade prilikom obrade 80. dokumenta.
Dimenzije su izražene u PDF točkama, gdje jedna točka iznosi 1/72 inča. Formati na koje ćeš najčešće naići:
- A4: 595 x 842 točke
- Letter: 612 x 792 točke
- A3: 842 x 1191 točke
Ove informacije pomažu ti uočiti odstupajuće stranice u seriji—nacrt formata A3 koji se našao među listovima A4 ili skeniranje u neobičnom mjerilu. Pretvorba u centimetre čini dijagnozu trenutnom:
for page in ocr_response.pages:
if page.dimensions:
width_cm = page.dimensions.width * 2.54 / 72
height_cm = page.dimensions.height * 2.54 / 72
print(f"Page {page.index + 1}: {width_cm:.1f} x {height_cm:.1f} cm")
Čist sadržaj za RAG
Ovisno o dokumentu, zaglavlje i podnožje mogu se pojaviti i u glavnom markdown sadržaju. Prije indeksiranja ukloni ih kada stvarno uokviruju sadržaj:
def main_content(ocr_response) -> str:
"""Extract only the main content, without headers/footers."""
parts = []
for page in ocr_response.pages:
content = page.markdown
# Optional: remove headers/footers from markdown
# if they are included in the main content
if page.header and content.startswith(page.header):
content = content[len(page.header):].strip()
if page.footer and content.endswith(page.footer):
content = content[:-len(page.footer)].strip()
parts.append(content)
return "\n\n".join(parts)
Uvjeti startswith i endswith namjerno su oprezni: niz uklanjamo samo ako se stvarno pojavljuje na početku ili kraju stranice. Slijepo uklanjanje putem replace riskira brisanje legitimnog pojavljivanja naziva tvrtke usred teksta.
Iskoristi metapodatke iz podnožja
Kada su podnožja izolirana, nekoliko regularnih izraza dovoljno je za izvlačenje strukturiranih metapodataka: numeracija u formatu „3 / 40“, datum izdavanja, broj verzije i razina klasifikacije.
import re
def extract_footer_metadata(ocr_response) -> dict:
"""Extract metadata from footers."""
metadata = {
"page_numbers": [],
"dates": [],
"versions": [],
"classifications": [],
}
for page in ocr_response.pages:
footer = page.footer or ""
# Page number search
match_page = re.search(r"(\d+)\s*/\s*(\d+)", footer)
if match_page:
metadata["page_numbers"].append(
f"{match_page.group(1)}/{match_page.group(2)}"
)
# Date search
match_date = re.search(r"\d{2}/\d{2}/\d{4}", footer)
if match_date:
metadata["dates"].append(match_date.group())
# Version search
match_version = re.search(r"v(?:ersion)?\s*(\d+\.?\d*)", footer, re.I)
if match_version:
metadata["versions"].append(match_version.group(1))
# Classification (Confidential, Public, etc.)
for classification in ["confidential", "public", "internal", "secret"]:
if classification in footer.lower():
metadata["classifications"].append(classification)
return metadata
Vrijednost ovoga nadilazi dokumentarnu znatiželju. Ovdje otkrivena klasifikacija može upravljati daljnjom obradom: usmjeri stavke označene kao „povjerljivo“ na indeks s ograničenim pristupom ili odbij slanje vanjskoj usluzi. Očito, prilagodi rječnik terminologiji tvoje organizacije.
Obradi samo dio dokumenta
Za velike dokumente često ti treba samo dio—financijski dodaci izvještaja, potpisano poglavlje ugovora. Filtriranje se događa nakon izvlačenja, na odgovoru koji si već primio:
def extract_range(ocr_response, start: int, end: int) -> str:
"""Extract content from a page range (1-indexed)."""
parts = []
for page in ocr_response.pages:
number = page.index + 1
if start <= number <= end:
parts.append(page.markdown)
return "\n\n---\n\n".join(parts)
# Extract pages 5 to 10
partial_content = extract_range(ocr_response, 5, 10)
Funkcija koristi numeraciju čitljivu čovjeku, počevši od 1: zahtjev za stranice 5 do 10 vraća točno te stranice. Ipak, zapamti da je cijeli dokument obrađen—i naplaćen—prije ovog filtriranja. Ako unaprijed znaš da te zanimaju samo nekoliko stranica, podijeli PDF uzvodno umjesto slanja svih 1000 stranica API-ju.
Ključne točke
- Zaglavlja i podnožja izvlače se zasebno od OCR verzije 2512
- Filtriraj ih kako bi izbjegao šum u svojim RAG pipelineovima
- Dimenzije stranica su u PDF točkama (72 točke = 1 inč)
- Podnožja često sadrže korisne metapodatke (verzija, datum, klasifikacija)
- Obrađuj po rasponima stranica za velike dokumente