Kinyerés strukturált metaadatok
Ezen az oldalon
Frissítés: 2026. november 2. — OCR. Az OCR 4.0 (
mistral-ocr-4-0) szolgáltatást 2026. szeptember 30-án megszüntették. Használd az OCR 4.1 (mistral-ocr-4-1) verziót, amely augusztus 31 óta általánosan elérhető ugyanazon az áron, vagy amistral-ocr-latestaliast, amely július 16 óta erre mutat. Az OCR 4.1 blokk-szintű megbízhatósági pontszámokat (confidence scores) is biztosít. Kiegészítés: 2026. november 3.: A helyi PDF-fájlt base64 kódolással kell elküldeni így:{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; a régebbi példákban szereplődocument_base64típus sem a dokumentációban, sem amistralaiSDK-ban nem létezik, és ezek a példák hibát okoztak volna. Források: OCR Processor · Document QnA. Javítva: 2026. november 3.: A korábbi kód oldalonként olvasta apage.document_annotationértéket; amistralaiSDK 3.7.0 verziójában a dokumentum-annotáció egyetlen mező a válaszban (response.document_annotation), míg a kép-annotációt azimage.image_annotationútvonalról kell beolvasni.
Csak azt nyerd ki, amire szükséged van
A dokumentum-annotáció nem csupán a nyers szöveg visszanyeréséről szól. Strukturált, típusozott és validált adatokat állít elő, amelyek azonnal felhasználhatók a rendszereidben: egy adatbázisba beszúrt sor, egy referenciához hasonlított mező, vagy egy fizetés előtt ellenőrzött összeg. A kihívás teljes egészében a sématervezésre helyeződik át, és ez ennek a leckének a fókuszpontja.
Struktúra a laposítás helyett
A kinyerési sémának tükröznie kell a dokumentum valóságát. Egy számla egy jogi entitástól származik, amely rendelkezik cégnévvel, SIRET-számmal (francia vállalatazonosító) és címmel. Nyolc mező igazítása helyett, mint például az emetteur_rue, emetteur_ville, emetteur_siret, definiálj egy Adresse modellt, majd egy LegalEntity modellt, amely tartalmazza azt. Használd újra ezeket az építőköveket mind a kibocsátó, mind a címzett esetében. A TypeDocument enumeráció hasonló szerepet játszik: megakadályozza, hogy a modell kategóriákat találjon ki, és garantál egy olyan értéket, amelyet használhatsz egy if utasításban vagy útvonalválasztáshoz. Az Optional mezők kifejezetten jelzik, mi hiányozhat, míg az alapértelmezett értékek – például a default="France" az ország mezőnél – megkímélik a modellt a nyilvánvaló dolgok kitalálásától.
from pydantic import BaseModel, Field
from typing import Optional
from enum import Enum
class DocumentType(str, Enum):
INVOICE = "facture"
CONTRACT = "contrat"
REPORT = "rapport"
FORM = "formulaire"
OTHER = "autre"
class Address(BaseModel):
street: Optional[str] = Field(None, description="Numéro et street")
postal_code: Optional[str] = Field(None, description="Code postal")
city: Optional[str] = Field(None, description="Ville")
country: str = Field(default="France", description="Pays")
class LegalEntity(BaseModel):
name: str = Field(..., description="Raison sociale")
siret: Optional[str] = Field(None, description="Numéro SIRET")
address: Optional[Address] = Field(None, description="Address postale")
email: Optional[str] = Field(None, description="Address email")
class DocumentExtraction(BaseModel):
document_type: DocumentType = Field(
..., description="Type du document"
)
date: Optional[str] = Field(
None, description="Date principale (YYYY-MM-DD)"
)
emetteur: LegalEntity = Field(
..., description="Entité qui émet le document"
)
destinataire: Optional[LegalEntity] = Field(
None, description="Entité destinataire"
)
resume: str = Field(
..., description="Résumé en 2-3 phrases du contenu"
)
langue: str = Field(
..., description="Langue du document (code ISO 639-1)"
)
Ismétlődő adatok
Számos dokumentum tartalmaz sorozatokat: számlasorokat, záradékokat vagy költségtételeket. Modellezd ezeket egy dedikált al-modell list[...] típusaként. A modell ekkor beolvassa a dokumentum táblázatát, és annyi LigneFacture objektumot hoz létre, ahány sort talál, beleértve mindegyikhez a leírást, mennyiséget, egységárat és végösszeget. Ez elég adatot biztosít ahhoz, hogy saját magad újraszámold a részösszeget, és ellenőrizd a dokumentum konzisztenciáját, mielőtt elfogadnád azt.
from pydantic import BaseModel, Field
class InvoiceLine(BaseModel):
description: str = Field(..., description="Description du produit/service")
quantity: float = Field(..., description="Quantité")
unit_price: float = Field(..., description="Prix unitaire HT")
amount: float = Field(..., description="Montant total HT de la ligne")
class DetailedInvoice(BaseModel):
supplier: str = Field(..., description="Nom du supplier")
number: str = Field(..., description="Numéro de facture")
date: str = Field(..., description="Date (YYYY-MM-DD)")
lines: list[InvoiceLine] = Field(
..., description="Lignes de la facture"
)
subtotal_excl_tax: float = Field(..., description="Sous-total HT")
vat: float = Field(..., description="Montant TVA")
total_incl_tax: float = Field(..., description="Total TTC")
payment_terms: str = Field(
..., description="Conditions de paiement mentionnées"
)
Jelölőnégyzetek és űrlapok
A beolvasott papíralapú űrlapok azok a területek, ahol a modell igazán ragyog. Egy bool típusú mező, amelyhez a kérdés címkéje társul, elegendő: a modell felismeri, be van-e jelölve a négyzet, kinyeri a megfelelő kérdést, és – ami orvosi vagy adminisztratív felhasználás esetén kritikus fontosságú – következtet arra, hogy egy mező hiányzik, ahelyett, hogy kitalálna egy értéket, ahogy azt a Mistral csapata is bemutatta. A telefonszám leírásában szereplő „null if not provided“ (null, ha nincs megadva) megjegyzés nem dekoráció; kifejezetten engedélyezi az üres értéket.
from pydantic import BaseModel, Field
class FormResponse(BaseModel):
question: str = Field(..., description="Intitulé de la question")
answer: bool = Field(..., description="True si coché, False sinon")
class MedicalForm(BaseModel):
patient_name: str = Field(..., description="Nom complet du patient")
age: Optional[int] = Field(None, description="Âge du patient")
sex: Optional[str] = Field(None, description="Sexe (M/F)")
patient_id: Optional[str] = Field(None, description="ID patient")
phone: Optional[str] = Field(
None, description="Numéro de téléphone (null si non fourni)"
)
responses: list[FormResponse] = Field(
..., description="Réponses aux questions du formulaire"
)
End-to-end megvalósítás
Vedd a részletes számla példáját, és kösd össze egy base64-kódolt dokumentummal. Az annotációs prompt kiegészíti a sémát azáltal, hogy meghatározza a fájltípust, és hangsúlyozza a számlasorokra való odafigyelést; a visszatéréskor történő Pydantic validáció JSON karakterlánccá alakítja az objektumot, amelyet biztonságosan bejárhatóvá tesz.
import os
import json
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
document_annotation_format=response_format_from_pydantic_model(
DetailedInvoice
),
document_annotation_prompt=(
"Ce document est une invoice. Extrais toutes les lines "
"de facturation avec leurs montants."
)
)
# Kinyerés és validálás
if ocr_response.document_annotation:
invoice = DetailedInvoice.model_validate_json(
ocr_response.document_annotation
)
print(f"Facture {invoice.numero} - {invoice.fournisseur}")
print(f"Date : {invoice.date}")
print(f"\nLignes :")
for line in invoice.lines:
print(f" - {line.description}: {line.quantite} x "
f"{line.prix_unitaire}€ = {line.montant}€")
print(f"\nTotal TTC : {invoice.total_incl_tax}€")
A gyenge kinyerési eredmények szinte mindig a sémából erednek, ritkán a modellből. Nézd át egyesével a leírásaidat: pontosnak és egyértelműnek kell lenniük, mivel a modell kizárólag ezekre támaszkodik elvárásaid megértéséhez. Írd őket a dokumentumaid nyelvén – a francia tökéletesen működik francia számlák esetén –, és az enumerációkat (enum) korlátozott értékkel rendelkező mezőkre, az al-modelleket pedig a sémák között újrahasznosítható struktúrákra tartogasd.
Főbb megállapítások
- A Pydantic sémák lehetővé teszik típusozott és validált adatok kinyerését
- Használj komplex típusokat (listák, enumok, beágyazott modellek) a pontos kinyerés érdekében
- A modell megbízhatóan kezeli az opcionális mezőket és a jelölőnégyzeteket
- A mezőleírások irányítják a kinyerést: légy pontos és kifejező
- Kombináld a
document_annotation_prompt-ot a sémával a maximális kontextus érdekében