Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Kinyerés táblázatok és szerkezetek

6. lecke 16 közül Frissítve 2026. november 2. Fejlesztő
Ezen az oldalon
  1. Táblázatok: Az OCR történelmi gyenge pontja
  2. A table_format paraméter
  3. Táblázatok kinyerése adatként
  4. Váltás pandas-ra az elemzéshez
  5. Amikor a táblázatok bonyolulttá válnak
  6. Főbb megállapítások

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 a mistral-ocr-latest aliast, 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_format paraméter 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