L-Ewwel Sejħa OCR Tiegħek f'Python
F'din il-paġna
Aġġornat fit-2 ta’ Novembru, 2026 — OCR. L-OCR 4.0 (
mistral-ocr-4-0) ġie rtirat fit-30 ta’ Settembru, 2026. Uża l-OCR 4.1 (mistral-ocr-4-1), li ilu disponibbli ġeneralment mill-31 ta’ Awwissu bl-istess prezz, jew l-aliasmistral-ocr-latest, li jipponta lejh mis-16 ta’ Lulju. L-OCR 4.1 iżid punteġġi ta’ kunfidenza fil-livell tal-blokki. Addendum fit-3 ta’ Novembru, 2026: PDF lokali jiġi trażmess f’base64 bħala{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; it-tipdocument_base64minn eżempji aktar antiki ma jeżistix la fid-dokumentazzjoni u lanqas fl-SDKmistralai, u dawk l-eżempji kienu jfallu. Sorsi: OCR Processor · Document QnA.
Mit-Teorija għall-Kodiċi
Issa taf l-endpoint u l-parametri tiegħu. Wasal iż-żmien biex tikteb skript sħiħ li jestratti t-test minn PDF, mill-ewwel linja ta’ importazzjoni sal-fajl Markdown maħżun fuq id-disk tiegħek. Se nibdew bl-aktar każ sempliċi—dokument pubbliku—imbagħad nimxu lejn dak li se ssib fil-prattika: fajls lokali, immaġini iżolati, u dokumenti illustrati li jeħtieġu rikostruzzjoni.
Żewġ prerekwiżiti, diġà koperti iżda li jiswa l-penna li tivverifika qabel ma titlef għaxar minuti fuq żball ta’ awtentikazzjoni:
pip install mistralai
export MISTRAL_API_KEY="your-api-key"
L-Iskript Minimu
Hawnhekk hawn l-estrazzjoni sħiħa ta’ PDF aċċessibbli online. Tliet linji utli: istanzja l-klijent, sejjaħ process, u iteratra mill-paġni.
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)
Innota l-page.index + 1: l-indiċi rritornat mill-API jibda minn żero, filwaqt li l-utenti tiegħek jgħoddu minn wieħed. Huwa offset żgħir sakemm iżżommu f’moħħok, iżda sors ta’ konfużjoni fit-tul meta tiskoprih f’rapport mogħti lil klijent.
Ipproċessar ta’ Fajl mill-Magna Tiegħek
Fil-ħajja reali, id-dokumenti rari jaslu permezz ta’ URL pubbliku. Għandekhom fuq id-disk, huma kunfidenzjali, allura tikkodifikahom f’base64. L-iskript li ġej jipproċessa fattura tal-fornitur u jgħaqqad il-paġni kollha f’blokk wieħed ta’ test:
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)
Il-konkatenazzjoni permezz ta’ "\n\n".join(...) taħdem tajjeb għall-wiri jew għat-tiftix fit-test sħiħ. Madankollu, tħassar il-fruntiera bejn il-paġni: jekk aktar tard ikollok bżonn tiċċita sors jew tiddireġi utent lejn il-paġna t-tajba ta’ kuntratt, ippreżerva l-istruttura paġna b’paġna minflok dan il-blokk wieħed.
Il-Ħażna tal-Estrazzjoni
Kull sejħa OCR tiswi flus u tieħu ħin. Li terġa’ tgħaddi mill-estrazzjoni tal-istess rapport ta’ mitejn paġna għax insejt issalva r-riżultat hija żball li tagħmel darba biss. Il-funzjoni hawn taħt tikteb il-Markdown f’fajl, timmarka l-mistrieħ tal-paġni b’kumment u separatur:
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")
Il-kumment HTML <!-- Page N --> huwa inviżibbli fil-vista rrenderizzata iżda jibqa’ preżenti fil-fajl: tista’ ssibu permezz ta’ espressjoni regolari biex terġa’ tibni l-impaginazzjoni waqt l-indiċjar.
Il-Każ ta’ Immaġni Iżolata
L-OCR 4 mhux limitat għall-PDFs. Ritratt ta’ fattura meħud fuq it-telefon, riċevuta skennjata, screenshot—kollha jintbagħtu bl-istess mod, bl-użu tat-tip image_base64:
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)
Ir-risposta żżomm l-istess forma: lista ta’ paġni, li hawnhekk fiha waħda biss. Għalhekk, il-kodiċi tal-ipproċessar tiegħek jibqa’ identiku irrispettivament mit-tip ta’ fajl tal-input, li jissimplifika ħafna l-pipelines imħallta.
Rikostruzzjoni ta’ Dokument Illustrat
Il-Markdown rritornat jirreferenzja l-immaġini bħala , mingħajr ma jdaħħalha. Jekk trid fajl awtonomu—rapport li jinqara offline, prevjużjoni biex tibgħat bl-email—itlob l-immaġini f’base64 u ibdel kull referenza b’URI tad-data:
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""
data_uri = f""
markdown = markdown.replace(placeholder, data_uri)
print(markdown[:500])
Il-fajl li jirriżulta jikber malajr, peress li l-base64 jiżen madwar terz aktar mill-binari oriġinali. Irriżerva din ir-rikostruzzjoni għad-dokumenti li għandek bżonn tagħmilhom awtonomi, u żomm l-immaġini bħala fajls separati fil-pipelines tal-indiċjar tiegħek.
Qabel ma tgħaddi għall-pass li jmiss, ħu dokument li għandek—fattura, kuntratt, paġna skennjata—u għaddih mill-iskript ta’ estrazzjoni lokali. Qabbel il-Markdown li jirriżulta mal-original linja b’linja: id-diskrepanzi li ssib, tabella rikostruwita ħażin jew intestatura assorbita fit-test tal-korp, huma eżattament il-problemi li t-tliet lezzjonijiet li jmiss se jgħallmuk kif tittratta.
Punti Ewlenin
- Is-sejħa OCR tieħu 3 linji: klijent, proċess, aqra l-paġni
- Uża l-base64 għal fajls lokali, URL għal dokumenti pubbliċi
- Ir-riżultat huwa Markdown strutturat, lest biex jintuża
- L-immaġini estratti jistgħu jerġgħu jingħaqdu mat-test
- Dejjem salva l-estrazzjonijiet tiegħek biex tevita sejħiet ripetuti tal-API