Tavo pirmasis OCR užklausimas naudojant Python
Šiame puslapyje
Atnaujinta 2026 m. lapkričio 2 d. — OCR. OCR 4.0 (
mistral-ocr-4-0) buvo nutrauktas 2026 m. rugsėjo 30 d. Naudok OCR 4.1 (mistral-ocr-4-1), kuris visuotinai prieinamas nuo rugpjūčio 31 d. ta pačia kaina, arba aliasąmistral-ocr-latest, kuris į jį nukreipia nuo liepos 16 d. OCR 4.1 pridėjo pasitikėjimo įverčius bloko lygmeniu. Priedas, 2026 m. lapkričio 3 d.: Vietinis PDF failas perduodamas base64 formatu kaip{"type": "document_url", "document_url": "data:application/pdf;base64,…"};document_base64tipas iš senesnių pavyzdžių neegzistuoja nei dokumentacijoje, neimistralaiSDK, ir tie pavyzdžiai būtų žlugę. Šaltiniai: OCR Processor · Document QnA.
Nuo teorijos prie kodo
Dabar žinai galutinį tašką ir jo parametrus. Metas parašyti pilną scenarijų, kuris ištraukia tekstą iš PDF failo – nuo pirmosios importavimo eilutės iki Markdown failo, įrašyto tavo diske. Pradėsime nuo paprasčiausio atvejo – viešo dokumento – o tada pereisime prie to, su kuo susidursi praktiškai: vietinių failų, atskirų vaizdų ir iliustruotų dokumentų, kuriuos reikia atkurti.
Du būtini reikalavimai, jau aptarti, bet verta juos patikrinti, prieš švaistant dešimt minučių dėl autentifikavimo klaidos:
pip install mistralai
export MISTRAL_API_KEY="your-api-key"
Minimalus scenarijus
Štai visas viešai prieinamo PDF failo ištraukimas. Trys naudingos eilutės: kliento inicijavimas, process iškvietimas ir iteracija per puslapius.
import os
from mistralai.client import Mistral
# Inicijuojame klientą
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# OCR užklausa viešam PDF
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://arxiv.org/pdf/2201.04234"
}
)
# Rodome puslapių skaičių
print(f"Number of pages: {len(ocr_response.pages)}")
# Rodome kiekvieno puslapio turinį
for page in ocr_response.pages:
print(f"\n--- Page {page.index + 1} ---")
print(page.markdown)
Atkreipk dėmesį į page.index + 1: API grąžinamas indeksas prasideda nuo nulio, o tavo vartotojai skaičiuoja nuo vieno. Tai nedidelis poslinkis, kol jį prisimeni, bet nuolatinio painiavos šaltinis, kai tai atrandi klientui pristatomoje ataskaitoje.
Failo iš tavo kompiuterio apdorojimas
Realiame gyvenime dokumentai retai atkeliauja viešu URL adresu. Tu juos turi diske, jie yra konfidencialūs, todėl koduoji juos base64 formatu. Šis scenarijus apdoroja tiekėjo sąskaitą faktūrą ir sujungia visus puslapius į vieną teksto bloką:
import os
import base64
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Skaitome ir koduojame vietinį failą
file_path = "supplier_invoice.pdf"
with open(file_path, "rb") as f:
document_base64 = base64.b64encode(f.read()).decode("utf-8")
# OCR užklausos vykdymas
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
}
)
# Sujungiame visą tekstą
full_text = "\n\n".join(
page.markdown for page in ocr_response.pages
)
print(full_text)
Sujungimas naudojant "\n\n".join(...) puikiai tinka rodymui arba pilno teksto paieškai. Tačiau jis ištrina ribą tarp puslapių: jei vėliau prireiks cituoti šaltinį arba nukreipti vartotoją į tinkamą sutarties puslapį, išsaugok struktūrą puslapis po puslapio, o ne šį vieną bloką.
Ištraukimo išsaugojimas
Kiekvienas OCR užklausimas kainuoja pinigus ir laiką. Pakartotinis to paties dviejų šimtų puslapių ataskaitos ištraukimas, nes pamiršai įrašyti rezultatą, yra klaida, kurią padarai tik vieną kartą. Toliau pateikta funkcija įrašo Markdown į failą, pažymėdama puslapių lūžius komentaru ir skirtuku:
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:
"""Ištraukia tekstą iš PDF ir įrašo jį kaip Markdown."""
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}")
# Naudojimas
extract_pdf("annual_report.pdf", "annual_report.md")
HTML komentaras <!-- Page N --> nematomas atvaizduojamame vaizde, bet lieka faile: gali jį rasti naudodamas reguliariuosius reiškinius, kad atkurtum puslapiavimą indeksavimo metu.
Atskiro vaizdo atvejis
OCR 4 nėra ribojamas tik PDF failais. Telefono nuotrauka su sąskaita, nuskaitytas čekis, ekrano kopija – viskas siunčiama tuo pačiu būdu, naudojant image_base64 tipą:
import os
import base64
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Koduojame vaizdą
with open("scanned_invoice.png", "rb") as f:
image_base64 = base64.b64encode(f.read()).decode("utf-8")
# OCR užklausos vykdymas vaizdui
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "image_base64",
"image_base64": image_base64
}
)
# Vienas „puslapis“ vaizdui
print(ocr_response.pages[0].markdown)
Atsakymas išlieka tos pačios formos: puslapių sąrašas, kuris šiuo atveju turi tik vieną elementą. Todėl tavo apdorojimo kodas lieka identiškas, nepaisant įvesties failo tipo, o tai labai supaprastina mišrius procesus.
Iliustruoto dokumento atkūrimas
Grąžintame Markdown vaizdai nurodomi kaip , jų neįterpiant. Jei nori savarankiško failo – ataskaitos, skaitomos neprisijungus, arba peržiūros, kurią galima siųsti el. paštu – paprašyk vaizdų base64 formatu ir pakeisk kiekvieną nuorodą duomenų URI:
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
# Pakeičiame vaizdų nuorodas į base64
for image in page.images:
placeholder = f""
data_uri = f""
markdown = markdown.replace(placeholder, data_uri)
print(markdown[:500])
Gautas failas greitai išauga, nes base64 sveria apie trečdaliu daugiau nei originalus dvejetainis failas. Šį atkūrimą palik tik tiems dokumentams, kuriuos reikia padaryti savarankiškus, o indeksavimo procesuose vaizdus laikyk kaip atskirus failus.
Prieš judėdamas toliau, paimk savo turimą dokumentą – sąskaitą, sutartį, nuskaitytą puslapį – ir paleisk jį per vietinio ištraukimo scenarijų. Palygink gautą Markdown su originalu eilutė po eilutės: neatitikimai, kuriuos rasi, pvz., blogai atkurtą lentelę arba antraštę, įsiliejusią į pagrindinį tekstą, yra būtent tos problemos, kurias spręsti išmokys kitos trys pamokos.
Svarbiausi punktai
- OCR užklausai reikia 3 eilučių: klientas, procesas, puslapių skaitymas
- Vietiniams failams naudok base64, viešiems dokumentams – URL
- Rezultatas yra struktūruotas Markdown, paruoštas naudoti
- Ištrauktus vaizdus galima vėl sujungti su tekstu
- Visada išsaugok savo ištraukimus, kad išvengtum pasikartojančių API užklausų