Intestazioni, piè di pagina e numerazione
In questa pagina
Aggiornato il 2 novembre 2026 — OCR. Il modello OCR 4.0 (
mistral-ocr-4-0) è stato ritirato il 30 settembre 2026. Utilizza OCR 4.1 (mistral-ocr-4-1), disponibile in versione generale dal 31 agosto allo stesso prezzo, oppure l’aliasmistral-ocr-latest, che punta a questa versione dal 16 luglio. OCR 4.1 aggiunge punteggi di confidenza a livello di blocco.
Separare la decorazione dal contenuto
Dalla versione OCR 2512 (dicembre 2025), il modello OCR di Mistral estrae intestazioni e piè di pagina separatamente per ogni pagina. Questa funzionalità potrebbe sembrare banale finché non indicizzi un contratto di 120 pagine: il nome dello studio legale, la dicitura “Riservato” e i numeri di pagina apparirebbero 120 volte, inquinando ogni risultato di ricerca. Su documenti formali come contratti, relazioni annuali o testi normativi, questa separazione trasforma la qualità di tutto ciò che segue.
Il dilemma è reale. Questi elementi si ripetono meccanicamente su ogni pagina, creando rumore sia nell’indicizzazione che nelle risposte dei sistemi RAG. Tuttavia, a volte contengono gli unici metadati affidabili del documento: numero di versione, data di emissione, livello di classificazione. Estraendoli separatamente, invece di eliminarli o lasciarli nel corpo del testo, puoi decidere caso per caso come gestirli.
Accedere ai campi
I campi header e footer sono disponibili direttamente su ogni pagina della risposta:
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"--- Pagina {page.index + 1} ---")
if page.header:
print(f"Intestazione: {page.header}")
print(f"Contenuto: {page.markdown[:100]}...")
if page.footer:
print(f"Piè di pagina: {page.footer}")
print()
I controlli if page.header non sono superflui: non tutte le pagine hanno un’intestazione, a cominciare dalle copertine; in tal caso, il campo è None.
Ricostruire la numerazione delle pagine
Ogni pagina è indicizzata a partire da zero. Per un documento multipagina che intendi archiviare o restituire a un’applicazione, è meglio normalizzare immediatamente la struttura: numero leggibile dall’uomo, contenuto, elementi decorativi, dimensioni e conteggio delle immagini.
def extract_with_pagination(ocr_response) -> dict:
"""Estrai il contenuto preservando la numerazione delle pagine."""
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
Gli operatori or "" e le guardie su page.dimensions convertono i valori potenzialmente nulli in default neutri. Questo previene un AttributeError a metà di un batch durante l’elaborazione dell’80° documento.
Le dimensioni sono espresse in punti PDF, dove un punto equivale a 1/72 di pollice. I formati che incontrerai più spesso sono:
- A4: 595 x 842 punti
- Letter: 612 x 792 punti
- A3: 842 x 1191 punti
Queste informazioni ti aiutano a individuare pagine anomale in un batch: un progetto A3 inserito tra fogli A4 o una scansione a una scala insolita. La conversione in centimetri rende la diagnosi immediata:
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"Pagina {page.index + 1}: {width_cm:.1f} x {height_cm:.1f} cm")
Contenuto pulito per il RAG
A seconda del documento, l’intestazione e il piè di pagina possono apparire anche nel markdown principale. Prima dell’indicizzazione, rimuovili quando incorniciano effettivamente il contenuto:
def main_content(ocr_response) -> str:
"""Estrai solo il contenuto principale, senza intestazioni/piè di pagina."""
parts = []
for page in ocr_response.pages:
content = page.markdown
# Opzionale: rimuovi intestazioni/piè di pagina dal markdown
# se sono inclusi nel contenuto principale
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)
Le condizioni startswith ed endswith sono intenzionalmente caute: rimuoviamo la stringa solo se appare davvero all’inizio o alla fine della pagina. Una rimozione cieca tramite replace rischia di cancellare un’occorrenza legittima del nome dell’azienda nel mezzo del testo.
Sfruttare i metadati del piè di pagina
Una volta isolati i piè di pagina, bastano poche espressioni regolari per estrarre metadati strutturati: numerazione nel formato “3 / 40”, data di emissione, numero di versione e livello di classificazione.
import re
def extract_footer_metadata(ocr_response) -> dict:
"""Estrai metadati dai piè di pagina."""
metadata = {
"page_numbers": [],
"dates": [],
"versions": [],
"classifications": [],
}
for page in ocr_response.pages:
footer = page.footer or ""
# Ricerca del numero di pagina
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)}"
)
# Ricerca della data
match_date = re.search(r"\d{2}/\d{2}/\d{4}", footer)
if match_date:
metadata["dates"].append(match_date.group())
# Ricerca della versione
match_version = re.search(r"v(?:ersion)?\s*(\d+\.?\d*)", footer, re.I)
if match_version:
metadata["versions"].append(match_version.group(1))
# Classificazione (Riservato, Pubblico, ecc.)
for classification in ["confidential", "public", "internal", "secret"]:
if classification in footer.lower():
metadata["classifications"].append(classification)
return metadata
Il valore va oltre la semplice curiosità documentale. La classificazione rilevata qui può guidare l’elaborazione a valle: instrada gli elementi contrassegnati come “riservati” verso un indice ad accesso limitato o rifiuta di inviarli a un servizio esterno. Ovviamente, adatta il vocabolario alla terminologia della tua organizzazione.
Elaborare solo una parte del documento
Per documenti di grandi dimensioni, spesso serve solo una sezione: gli allegati finanziari di un report, il capitolo firmato di un contratto. Il filtraggio avviene dopo l’estrazione, sulla risposta già ricevuta:
def extract_range(ocr_response, start: int, end: int) -> str:
"""Estrai il contenuto da un intervallo di pagine (indicizzato da 1)."""
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)
# Estrai le pagine da 5 a 10
partial_content = extract_range(ocr_response, 5, 10)
La funzione utilizza una numerazione leggibile dall’uomo, a partire da 1: richiedere le pagine da 5 a 10 restituisce esattamente quelle pagine. Ricorda tuttavia che l’intero documento è stato elaborato e fatturato prima di questo filtraggio. Se sai in anticipo che ti interessano solo poche pagine, dividi il PDF a monte invece di inviare tutte le 1.000 pagine all’API.
Punti chiave
- Intestazioni e piè di pagina sono estratti separatamente dall’OCR 2512
- Filtrali per evitare rumore nelle tue pipeline RAG
- Le dimensioni delle pagine sono in punti PDF (72 punti = 1 pollice)
- I piè di pagina contengono spesso metadati utili (versione, data, classificazione)
- Elabora per intervalli di pagine nei documenti di grandi dimensioni