Kinyerés táblázatok és szerkezetek
Ezen az oldalon
Frissítve: 2026. november 2. — OCR. Az OCR 4.0 (
mistral-ocr-4-0) modell támogatása 2026. szeptember 30-án megszűnt. Használd az OCR 4.1 (mistral-ocr-4-1) modellt, 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 is biztosít.
Táblázatok: Az OCR történelmi gyenge pontja
Kérd meg a Tesseractet, hogy nyerje ki az összefoglaló táblázatot egy pénzügyi jelentésből, és sorok halmazát kapod vissza, ahol a „Teljes“ oszlop értékei összekeverednek a „Mennyiség“ oszlopéival, anélkül, hogy bármi utalna az eredeti sorokhoz való kapcsolódásukra. A probléma nem a karakterfelismerés, ami rendben működik; hanem a táblázatos szerkezet teljes hiánya. A hagyományos megoldások balról jobbra, fentről lefelé olvasnak, útközben elveszítve az oszlopok és sorok közötti kapcsolatokat.
Az OCR 4 másképp közelíti meg az oldalt: látja azt. Ez a vizuális megértés lehetővé teszi, hogy a táblázatot táblázatként állítsa helyre, nem pedig lapos szövegként.
A table_format paraméter
A táblázatok megjelenítését egyetlen paraméterrel vezérled, amelyet az OCR hívásnak adsz át:
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Markdown formátum (a legtöbb esetben ajánlott)
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/financial-report.pdf"
},
table_format="markdown"
)
Három érték lehetséges, és a választás nem csupán kozmetikai kérdés: ez határozza meg, mit kezdhetsz később az eredménnyel.
A null értékkel, ami az alapértelmezett, a táblázatok speciális táblázatos formázás nélkül integrálódnak a Markdown folyószövegbe. Ez a beállítás akkor működik jól, ha nem dolgozol fel táblázatos dokumentumokat, és csak indexelendő szöveget szeretnél.
A "markdown" értékkel minden táblázat szabványos pipe formátumban jelenik meg, így az eredmény önmagában is olvasható és könnyen parse-olható:
| Termék | Mennyiség | Egységár | Összesen |
|---------|----------|------------|-------|
| Widget A | 100 | €12,50 | €1 250 |
| Widget B | 50 | €25,00 | €1 250 |
| **Összesen** | **150** | | **€2 500** |
A "html" értékkel a táblázat teljes HTML-ként jelenik meg, megőrizve a cellaegyesítéseket és azokat a speciális formázásokat, amelyeket a Markdown nem képes kifejezni:
<table>
<thead>
<tr>
<th>Termék</th>
<th>Mennyiség</th>
<th>Egységár</th>
<th>Összesen</th>
</tr>
</thead>
<tbody>
<tr>
<td>Widget A</td>
<td>100</td>
<td>€12,50</td>
<td>€1 250</td>
</tr>
</tbody>
</table>
A gyakorlatban a Markdown a legtöbb igényt kielégíti: RAG indexelés, keresés vagy szerkesztőben való megjelenítés esetén. Válts HTML-re, amint a táblázataid egyesített cellákat tartalmaznak, vagy az eredményt weboldalba kell beágyazni. A null értéket csak akkor tartsd meg, ha a táblázatok nem számítanak a munkafolyamatodban – például narratív jelentések vagy levelezés esetén.
Táblázatok kinyerése adatként
A Markdown táblázat még mindig szöveg. Ahhoz, hogy manipulálható adattá alakítsd, meg kell találnod a folyószövegben, és fel kell bontanod. Az alábbi függvény végigmegy a sorokon, azonosítja a táblázathoz tartozókat, figyelmen kívül hagyja az elválasztó sort, és lezárja az aktuális táblázatot, amint egy rendes sor következik:
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]]]:
"""Kinyeri a Markdown táblázatokat és listákká alakítja őket."""
tables = []
lines = markdown.split("\n")
current_table = []
in_table = False
for line in lines:
if "|" in line and line.strip().startswith("|"):
# Elválasztó sor figyelmen kívül hagyása (|---|---|)
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 kinyerés Markdown táblázatokkal
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/invoice.pdf"
},
table_format="markdown"
)
# Iterálás az oldalakon és táblázatok kinyerése
for page in ocr_response.pages:
tables = extract_markdown_tables(page.markdown)
for i, table in enumerate(tables):
print(f"{page.index + 1}. oldal, {i + 1}. táblázat:")
print(json.dumps(table, indent=2, ensure_ascii=False))
A cikluson kívüli végső ellenőrzés nem díszítés: enélkül egy oldal végén lévő táblázat – ami számlaösszesítőknél gyakori – sosem kerülne a listába, mivel nincs utána rendes sor, amely lezárná.
Váltás pandas-ra az elemzéshez
A listák listája elég az exportáláshoz, de nem a számításokhoz. DataFrame-mé alakításkor az első sort fejléccé kell emelni:
import pandas as pd
def tables_to_dataframes(markdown: str) -> list[pd.DataFrame]:
"""Markdown táblázatokat pandas DataFrame-ekké alakít."""
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
# Használat
for page in ocr_response.pages:
dfs = tables_to_dataframes(page.markdown)
for df in dfs:
print(df.to_string())
print()
A len(table) < 2 teszt kiszűri a téves találatokat: egy elszigetelt, pipe karaktert tartalmazó sor egy kódblokkban vagy címben nem eredményez törött, üres DataFrameet. Ne feledd, hogy az értékek továbbra is sztringek maradnak; a „€1 250“ számmá alakítása még a te feladatod.
Amikor a táblázatok bonyolulttá válnak
Az egyesített cellák, kétszintes fejlécek vagy szabálytalan elrendezések meghaladják a Markdown kifejezőképességének határait. Ilyenkor válts HTML-re, és bízd a BeautifulSoupre és a pandas-ra az elemzést:
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)
Ez a megközelítés megspórolja neked a parser megírását: a pd.read_html kezeli a rowspan és colspan attribútumokat, amelyeket a kézi felbontás figyelmen kívül hagyna. Az ár egy extra függőség és valamivel bővebb kimenet – ez az áldozat azonban bőven megéri pénzügyi jelentések vagy szabályozási táblázatok esetén.
Főbb megállapítások
- A
table_formatparaméter vezérli a táblázatok megjelenítését (null, markdown, html) - A Markdown formátum a legtöbb használati esetre alkalmas
- A HTML formátum megőrzi az egyesített cellákat és a speciális formázásokat
- A kinyert táblázatok pandas DataFrame-ekké alakíthatók elemzés céljából
- Az OCR 4 hűen rekonstruálja a táblázatos szerkezetet még összetett elrendezések esetén is