Estrazzjoni ta' Tabelli u Strutturi
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), 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.
It-Tabelli: Id-Dgħufija Storika tal-OCR
Jekk titlob lil Tesseract jestratti t-tabella sommarja minn rapport finanzjarju, se tikseb katina ta’ linji fejn il-valuri mill-kolonna “Total” jitħalltu ma’ dawk mill-kolonna “Kwantità”, mingħajr l-ebda indikazzjoni li tgħaqqadhom lura mar-ringieli oriġinali tagħhom. Il-problema mhix ir-rikonoxximent tal-karattri, li jaħdem sew; hija n-nuqqas totali ta’ għarfien tal-istruttura tabulari. Is-soluzzjonijiet tradizzjonali jaqraw mix-xellug għal-lemin, minn fuq għal isfel, u jitilfu r-relazzjonijiet bejn il-kolonni u r-ringieli matul il-proċess.
L-OCR 4 japproċċja l-paġna b’mod differenti: huwa jaraha. Dan il-fehim viżiv jippermettilu jirrestawra tabella bħala tabella, mhux bħala test iċċattjat.
Il-Parametru table_format
Tikkontrolla r-rendering tat-tabelli b’parametru wieħed li tgħaddi lis-sejħa tal-OCR:
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Format Markdown (rakkomandat għall-biċċa l-kbira tal-każijiet)
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/financial-report.pdf"
},
table_format="markdown"
)
Hemm tliet valuri possibbli, u l-għażla mhix kosmetika: tiddetermina x’tista’ tagħmar-riżultat aktar ‘il quddiem.
B’null, il-valur default, it-tabelli huma integrati fil-fluss tal-Markdown mingħajr formatjar tabulari speċifiku. Din l-impostazzjoni taħdem meta ma tkunx qed tipproċessa dokumenti tabulari u trid biss test biex tindiċjah.
B’"markdown", kull tabella tiġi rrenderjata fil-format standard tal-pajp, u tipproduċi output li huwa leġibbli kif inhu u faċli biex jiġi pparzjat:
| Product | Quantity | Unit Price | Total |
|---------|----------|------------|-------|
| Widget A | 100 | €12.50 | €1,250 |
| Widget B | 50 | €25.00 | €1,250 |
| **Total** | **150** | | **€2,500** |
B’"html", it-tabella tiġi rrenderjata bħala HTML sħiħ, u tippreserva l-għaqda taċ-ċelloli u l-formatjar avvanzat li l-Markdown ma jistax jesprimi:
<table>
<thead>
<tr>
<th>Product</th>
<th>Quantity</th>
<th>Unit Price</th>
<th>Total</th>
</tr>
</thead>
<tbody>
<tr>
<td>Widget A</td>
<td>100</td>
<td>€12.50</td>
<td>€1,250</td>
</tr>
</tbody>
</table>
Fil-prattika, il-Markdown ikopri l-biċċa l-kbira tal-ħtiġijiet: indiċjar RAG, tiftix, jew wiri f’editur. Ibdel għal HTML hekk kif it-tabelli tiegħek jinkludu ċelloli magħquda jew ir-riżultat jeħtieġ li jiġi inkorporat f’paġna web. Żomm null biss meta t-tabelli ma jimpurtawx fil-fluss tax-xogħol tiegħek—ngħidu aħna, rapport narrattiv jew korrispondenza.
Irkupru ta’ Tabelli bħala Data
Tabella Markdown għadha test. Biex tibdelha f’data manipolabbli, trid tidentifikaha fil-fluss u taqsamha. Il-funzjoni hawn taħt tgħaddi mil-linji, tidentifika dawk li jappartjenu għal tabella, tinjora l-linja separatriċi, u tagħlaq it-tabella kurrenti hekk kif tidher linja regolari:
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]]]:
"""Testratti t-tabelli Markdown u tikkonvertihom f'listi."""
tables = []
lines = markdown.split("\n")
current_table = []
in_table = False
for line in lines:
if "|" in line and line.strip().startswith("|"):
# Injora l-linja separatriċi (|---|---|)
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
# Estrazzjoni OCR b'tabelli Markdown
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/invoice.pdf"
},
table_format="markdown"
)
# Itera mill-paġni u estratti t-tabelli
for page in ocr_response.pages:
tables = extract_markdown_tables(page.markdown)
for i, table in enumerate(tables):
print(f"Page {page.index + 1}, Table {i + 1}:")
print(json.dumps(table, indent=2, ensure_ascii=False))
Iċ-ċekk finali barra mil-loop mhux dekorattiv: mingħajru, tabella fl-aħħar ta’ paġna—każ komuni għal sommarju ta’ fattura—qatt ma tiġi miżjuda mal-lista, peress li l-ebda linja regolari ma tiġi biex tagħlaqha.
Tranżizzjoni lejn pandas għall-Analiżi
Lista ta’ listi biżżejjed għall-esportazzjoni, mhux għall-kalkolu. Il-konverżjoni f’DataFrame tfisser li tippromwovi l-ewwel ringiela għal intestaturi:
import pandas as pd
def tables_to_dataframes(markdown: str) -> list[pd.DataFrame]:
"""Tikkonverti t-tabelli Markdown f'DataFrames ta' pandas."""
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
# Użu
for page in ocr_response.pages:
dfs = tables_to_dataframes(page.markdown)
for df in dfs:
print(df.to_string())
print()
It-test len(table) < 2 jiffiltra l-falzi pożittivi: linja iżolata li fiha pajp, ġewwa blokk ta’ kodiċi jew indirizz, ma tipproduċix DataFrame miksur u vojt. Żomm f’moħħok li l-valuri jibqgħu strings; il-konverżjoni ta’ “€1,250” f’numru għadha f’idejk.
Meta t-Tabelli Jsiru Kumplikati
Ċelloli magħquda, intestaturi fuq żewġ livelli, jew layouts irregolari jimbuttaw il-Markdown lil hinn mil-limiti espressivi tiegħu. Ibdel għal HTML f’dak il-każ, u ħalli lil BeautifulSoup u pandas jittrattaw l-analiżi:
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)
Dan l-approċċ iffrankalek il-kitba ta’ parser: pd.read_html jittratta l-attributi rowspan u colspan li l-qsim manwali tiegħek kien jonqos. L-ispiża hija dipendenza addizzjonali u output ftit aktar verbali—kompens li jiswa ħafna għal rapporti finanzjarji jew tabelli regolatorji.
Punti Ewlenin
- Il-parametru
table_formatjikkontrolla r-rendering tat-tabelli (null, markdown, html) - Il-format Markdown huwa adattat għall-biċċa l-kbira tal-każijiet ta’ użu
- Il-format HTML jippreserva ċ-ċelloli magħquda u l-formatjar avvanzat
- It-tabelli estratti jistgħu jiġu kkonvertiti f’DataFrames ta’ pandas għall-analiżi
- L-OCR 4 jirrikostruwixxi b’mod fidili l-istruttura tabulari, anke fuq layouts kumplessi