Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Az első OCR-hívásod Pythonban

5. lecke 16 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Az elmélettől a kódig
  2. A minimális szkript
  3. Fájl feldolgozása a gépedről
  4. A kinyerés elmentése
  5. Az izolált kép esete
  6. Egy illusztrált dokumentum újraépítése
  7. Főbb megállapítások

Frissítve: 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 a mistral-ocr-latest aliast, 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-fájlokat base64 kódolással kell elküldeni a következő formátumban: {"type": "document_url", "document_url": "data:application/pdf;base64,…"}; a régebbi példákban szereplő document_base64 típus sem a dokumentációban, sem a mistralai SDK-ban nem létezik, és ezek a példák hibát okoztak volna. Források: OCR Processor · Document QnA.

Az elmélettől a kódig

Most már ismered a végpontot és annak paramétereit. Itt az idő, hogy írj egy teljes szkriptet, amely az első import sorától kezdve a lemezre mentett Markdown fájlig kinyeri a szöveget egy PDF-ből. A legegyszerűbb esettel kezdünk – egy nyilvános dokumentummal –, majd rátérünk arra, amivel a gyakorlatban találkozhatsz: helyi fájlok, izolált képek és újraépítést igénylő, illusztrált dokumentumok.

Két előfeltétel, amelyeket már tárgyaltunk, de érdemes ellenőrizni őket, mielőtt tíz percet vesztegetnél egy hitelesítési hibára:

pip install mistralai
export MISTRAL_API_KEY="your-api-key"

A minimális szkript

Íme egy online elérhető PDF teljes kinyerése. Három hasznos sor: a kliens példányosítása, a process hívása és az oldalakon való iterálás.

import os
from mistralai.client import Mistral

# A kliens inicializálása
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# OCR hívás egy nyilvános PDF-en
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://arxiv.org/pdf/2201.04234"
    }
)

# Az oldalak számának kiírása
print(f"Number of pages: {len(ocr_response.pages)}")

# Az egyes oldalak tartalmának kiírása
for page in ocr_response.pages:
    print(f"\n--- Page {page.index + 1} ---")
    print(page.markdown)

Figyeld meg a page.index + 1 kifejezést: az API által visszaadott index nulláról indul, míg a felhasználóid egyesről számolnak. Ez csak egy kisebb eltolódás, amíg észben tartod, de tartós zavarforrássá válhat, amikor egy ügyfélnek szállított jelentésben fedezed fel.

Fájl feldolgozása a gépedről

A való életben a dokumentumok ritkán érkeznek nyilvános URL-en keresztül. Nálad vannak a lemezen, bizalmasak, ezért base64-ben kell kódolnod őket. Az alábbi szkript feldolgoz egy szállítói számlát, és egyetlen szövegblokkba fűzi össze az összes oldalt:

import os
import base64
from mistralai.client import Mistral

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

# A helyi fájl beolvasása és kódolása
file_path = "supplier_invoice.pdf"

with open(file_path, "rb") as f:
    document_base64 = base64.b64encode(f.read()).decode("utf-8")

# OCR hívás
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": f"data:application/pdf;base64,{document_base64}"
    }
)

# Az összes szöveg összefűzése
full_text = "\n\n".join(
    page.markdown for page in ocr_response.pages
)

print(full_text)

A "\n\n".join(...) módszerrel történő összefűzés jól működik megjelenítésre vagy teljes szöveges keresésre. Ugyanakkor ez eltünteti az oldalak közötti határt: ha később hivatkoznod kell egy forrásra, vagy egy felhasználót a szerződés megfelelő oldalára kell irányítanod, őrizd meg az oldalankénti struktúrát ehelyett az egyetlen blokk helyett.

A kinyerés elmentése

Minden OCR-hívás pénzbe és időbe kerül. Hiba azt gondolni, hogy csak egyszer fordult elő, hogy elfelejtetted elmenteni az eredményt, és újra le kellett futtatnod ugyanannak a kétszáz oldalas jelentésnek a kinyerését. Az alábbi függvény Markdown formátumban írja ki a szöveget egy fájlba, megjegyzésekkel és elválasztókkal jelölve az oldaltöréseket:

import os
import base64
from mistralai.client import Mistral

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

def extract_pdf(pdf_path: str, output_path: str) -> None:
    """Szöveg kinyerése PDF-ből és mentése Markdownként."""

    with open(pdf_path, "rb") as f:
        document_base64 = base64.b64encode(f.read()).decode("utf-8")

    ocr_response = client.ocr.process(
        model="mistral-ocr-latest",
        document={
            "type": "document_url",
            "document_url": f"data:application/pdf;base64,{document_base64}"
        }
    )

    with open(output_path, "w", encoding="utf-8") as f:
        for page in ocr_response.pages:
            f.write(f"<!-- Page {page.index + 1} -->\n\n")
            f.write(page.markdown)
            f.write("\n\n---\n\n")

    print(f"Extraction complete: {len(ocr_response.pages)} pages")
    print(f"Result saved to: {output_path}")


# Használat
extract_pdf("annual_report.pdf", "annual_report.md")

A <!-- Page N --> HTML megjegyzés láthatatlan a megjelenített nézetben, de jelen marad a fájlban: reguláris kifejezéssel megtalálhatod, hogy az indexelés során újraépítsd az oldalszámozást.

Az izolált kép esete

Az OCR 4 nem korlátozódik csak a PDF-ekre. Telefonnal készített számlafotó, beolvasott blokk, képernyőkép – mindegyiket ugyanúgy elküldheted az image_base64 típus használatával:

import os
import base64
from mistralai.client import Mistral

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

# Egy kép kódolása
with open("scanned_invoice.png", "rb") as f:
    image_base64 = base64.b64encode(f.read()).decode("utf-8")

# OCR hívás egy képen
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "image_base64",
        "image_base64": image_base64
    }
)

# Egyetlen "oldal" egy kép esetén
print(ocr_response.pages[0].markdown)

A válasz ugyanolyan formátumú marad: egy oldalak listája, amely itt csak egy elemet tartalmaz. A feldolgozó kódod tehát változatlan marad a bemeneti fájl típusától függetlenül, ami nagyban leegyszerűsíti a vegyes folyamatokat (pipelines).

Egy illusztrált dokumentum újraépítése

A visszaadott Markdown a képeket ![imageN.jpg](imageN.jpg) formátumban hivatkozza meg, anélkül, hogy beágyazná azokat. Ha önálló fájlt szeretnél – például offline olvasható jelentést vagy e-mailben elküldhető előnézetet –, kérd le a képeket base64-ben, és cseréld le az egyes hivatkozásokat data URI-ra:

import os
import base64
import re
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://arxiv.org/pdf/2201.04234"
    },
    include_image_base64=True
)

for page in ocr_response.pages:
    markdown = page.markdown

    # A képhivatkozások cseréje base64-re
    for image in page.images:
        placeholder = f"![{image.id}]({image.id})"
        data_uri = f"![{image.id}](data:image/jpeg;base64,{image.image_base64})"
        markdown = markdown.replace(placeholder, data_uri)

    print(markdown[:500])

Az így kapott fájl gyorsan növekszik, mivel a base64 kódolás körülbelül egyharmaddal nagyobb méretet eredményez az eredeti bináris adathoz képest. Ezt az újraépítést csak olyan dokumentumoknál alkalmazd, amelyeknek önállónak kell lenniük, az indexelési folyamataidban pedig tartsd meg a képeket külön fájlként.

Mielőtt továbblépnél, végy elő egy saját dokumentumot – egy számlát, egy szerződést, egy beolvasott oldalt –, és futtasd le rajta a helyi kinyerő szkriptet. Hasonlítsd össze soronként az így kapott Markdownet az eredetivel: a talált eltérések, legyen szó rosszul rekonstruált táblázatról vagy a szövegtörzsbe olvasott fejlécről, pontosan azok a problémák, amelyeket a következő három leckében megtanulsz kezelni.

Főbb megállapítások

  • Az OCR-hívás 3 sorból áll: kliens, process, oldalak olvasása
  • Használj base64-t helyi fájlokhoz, URL-t nyilvános dokumentumokhoz
  • Az eredmény strukturált Markdown, használatra kész állapotban
  • A kinyert képek újra kombinálhatók a szöveggel
  • Mindig mentsd el a kinyeréseket az ismételt API-hívások elkerülése érdekében