Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Tavs pirmais OCR izsaukums Python valodā

Nodarbība 5 no 16 Atjaunota 2026. gada 3. novembris Programmētājs
Šajā lapā
  1. No teorijas uz kodu
  2. Minimālais skripts
  3. Faila apstrāde no savas ierīces
  4. Izgūšanas saglabāšana
  5. Atsevišķa attēla gadījums
  6. Ilustrēta dokumenta rekonstrukcija
  7. Galvenās atziņas

Atjaunināts 2026. gada 2. novembrī — OCR. OCR 4.0 (mistral-ocr-4-0) tika izņemts no aprites 2026. gada 30. septembrī. Izmanto OCR 4.1 (mistral-ocr-4-1), kas ir vispārēji pieejams kopš 31. augusta par tādu pašu cenu, vai aliasu mistral-ocr-latest, kas uz to norāda kopš 16. jūlija. OCR 4.1 pievieno uzticamības rādītājus bloku līmenī. Papildinājums 2026. gada 3. novembrī: Lokāls PDF tiek pārraidīts base64 formātā kā {"type": "document_url", "document_url": "data:application/pdf;base64,…"}; document_base64 tips no vecākiem piemēriem neeksistē nedz dokumentācijā, nedz mistralai SDK, un šie piemēri būtu izgāzušies. Avoti: OCR Processor · Document QnA.

No teorijas uz kodu

Tagad tu zini galapunktu un tā parametrus. Ir laiks uzrakstīt pilnu skriptu, kas izgūst tekstu no PDF faila, sākot no pirmās importēšanas rindiņas līdz Markdown failam, kas saglabāts tavā diskā. Sāksim ar vienkāršāko gadījumu — publisku dokumentu — pēc tam pāriesim pie tā, ar ko saskarsies praksē: lokāli faili, atsevišķi attēli un ilustrēti dokumenti, kuriem nepieciešama rekonstrukcija.

Divi priekšnoteikumi, kas jau apskatīti, taču vērts tos pārbaudīt, pirms zaudē desmit minūtes autentifikācijas kļūdas dēļ:

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

Minimālais skripts

Lūk, pilna PDF izgūšana, kas pieejams tiešsaistē. Trīs noderīgas rindiņas: klienta inicializēšana, process izsaukums un iterācija caur lapām.

import os
from mistralai.client import Mistral

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

# OCR call on a public PDF
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://arxiv.org/pdf/2201.04234"
    }
)

# Display the number of pages
print(f"Number of pages: {len(ocr_response.pages)}")

# Display the content of each page
for page in ocr_response.pages:
    print(f"\n--- Page {page.index + 1} ---")
    print(page.markdown)

Ņem vērā page.index + 1: API atgriežamais indekss sākas no nulles, kamēr tavi lietotāji skaita no viena. Tas ir neliels nobīde, kamēr to paturi prātā, taču tas var kļūt par ilgstošu neskaidrību avotu, kad to atklāj klientam piegādātā ziņojumā.

Faila apstrāde no savas ierīces

Reālajā dzīvē dokumenti reti nonāk pie tevis caur publisku URL. Tie ir tavā diskā, tie ir konfidenciāli, tāpēc tu tos kodē base64 formātā. Tālāk redzamais skripts apstrādā piegādātāja rēķinu un savieno visas lapas vienā teksta blokā:

import os
import base64
from mistralai.client import Mistral

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

# Read and encode the local file
file_path = "supplier_invoice.pdf"

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

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

# Concatenate all text
full_text = "\n\n".join(
    page.markdown for page in ocr_response.pages
)

print(full_text)

Savienošana, izmantojot "\n\n".join(...), lieliski darbojas attēlošanai vai pilna teksta meklēšanai. Tomēr tā dzēš robežu starp lapām: ja vēlāk tev būs jācitē avots vai jānovirza lietotājs uz pareizo līguma lapu, saglabā struktūru pa lapām, nevis šo vieno bloku.

Izgūšanas saglabāšana

Katrs OCR izsaukums maksā naudu un prasa laiku. Atkārtota divu simtu lapu garā ziņojuma izgūšana tāpēc, ka aizmirsi saglabāt rezultātu, ir kļūda, ko pieļauj tikai vienreiz. Tālāk redzamā funkcija ieraksta Markdown failā, atzīmējot lapu pārejas ar komentāru un atdalītāju:

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:
    """Extracts text from a PDF and saves it as 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}")


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

HTML komentārs <!-- Page N --> ir neredzams attēlotajā skatā, bet paliek failā: tu vari to atrast, izmantojot regulāras izteiksmes, lai rekonstruētu lapu numerāciju indeksēšanas laikā.

Atsevišķa attēla gadījums

OCR 4 neaprobežojas tikai ar PDF failiem. Telefónā uzņemta rēķina fotogrāfija, skenēta čeka, ekrānuzņēmums — viss tiek nosūtīts vienādi, izmantojot image_base64 tipu:

import os
import base64
from mistralai.client import Mistral

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

# Encode an image
with open("scanned_invoice.png", "rb") as f:
    image_base64 = base64.b64encode(f.read()).decode("utf-8")

# OCR call on an image
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "image_base64",
        "image_base64": image_base64
    }
)

# A single "page" for an image
print(ocr_response.pages[0].markdown)

Atbilde saglabā tādu pašu formu: lapu saraksts, kas šajā gadījumā satur tikai vienu elementu. Tavs apstrādes kods tādējādi paliek identisks neatkarīgi no ievades faila veida, kas ievērojami vienkāršo jauktas datu plūsmas.

Ilustrēta dokumenta rekonstrukcija

Atgrieztajā Markdown attēli ir atsaukti kā ![imageN.jpg](imageN.jpg), neiekļaujot tos failā. Ja vēlies iegūt neatkarīgu failu — ziņojumu, ko lasīt bezsaistē, vai priekšskatījumu, ko nosūtīt pa e-pastu — pieprasi attēlus base64 formātā un aizstāj katru atsauci ar datu 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

    # Replace image references with base64
    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])

Iegūtais fails strauji pieaug izmērā, jo base64 sver aptuveni par trešdaļu vairāk nekā oriģinālais binārais fails. Pielieto šo rekonstrukciju tikai dokumentiem, kuriem jābūt neatkarīgiem, un savās indeksēšanas datu plūsmās glabā attēlus kā atsevišķus failus.

Pirms dodies tālāk, paņem kādu savu dokumentu — rēķinu, līgumu, skenētu lapu — un palaid to cauri lokālās izgūšanas skriptam. Salīdzini iegūto Markdown ar oriģinālu rindiņu pa rindiņai: neatbilstības, ko atradīsi, piemēram, slikti rekonstruēta tabula vai virsraksts, kas absorbēts pamattekstā, ir tieši tās problēmas, kuras risināt tev mācīs nākamās trīs nodarbības.

Galvenās atziņas

  • OCR izsaukums aizņem 3 rindiņas: klients, process, lapu nolasīšana
  • Izmanto base64 lokāliem failiem, URL — publiskiem dokumentiem
  • Rezultāts ir strukturēts Markdown, gatavs lietošanai
  • Izgūtos attēlus var atkal apvienot ar tekstu
  • Vienmēr saglabā savas izgūšanas, lai izvairītos no atkārtotiem API izsaukumiem