Uw eerste OCR-aanroep in Python
Op deze pagina
Bijgewerkt op 2 november 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) is op 30 september 2026 buiten gebruik gesteld. Gebruik OCR 4.1 (mistral-ocr-4-1), dat sinds 31 augustus algemeen beschikbaar is tegen dezelfde prijs, of het aliasmistral-ocr-latest, dat er sinds 16 juli naar verwijst. OCR 4.1 voegt betrouwbaarheidsscores toe op blokniveau. Addendum 3 november 2026: Een lokale PDF wordt in base64 verzonden als{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; het typedocument_base64uit oudere voorbeelden bestaat noch in de documentatie, noch in demistralaiSDK, en die voorbeelden zouden zijn mislukt. Bronnen: OCR Processor · Document QnA.
Van theorie naar code
U kent nu het eindpunt en de bijbehorende parameters. Het is tijd om een compleet script te schrijven dat tekst uit een PDF haalt, vanaf de eerste importregel tot het Markdown-bestand dat op uw schijf wordt opgeslagen. We beginnen met het eenvoudigste geval—een openbaar document—en gaan vervolgens over naar wat u in de praktijk zult tegenkomen: lokale bestanden, geïsoleerde afbeeldingen en geïllustreerde documenten die reconstructie vereisen.
Twee vereisten, reeds behandeld maar worth om te verifiëren voordat u tien minuten verspilt aan een authenticatiefout:
pip install mistralai
export MISTRAL_API_KEY="your-api-key"
Het minimale script
Hier volgt de volledige extractie van een online toegankelijke PDF. Drie nuttige regels: de client initialiseren, process aanroepen en door de pagina’s itereren.
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)
Let op de page.index + 1: de index die door de API wordt teruggegeven, begint bij nul, terwijl uw gebruikers vanaf één tellen. Het is een kleine afwijking zolang u eraan denkt, maar een bron van aanhoudende verwarring wanneer u deze ontdekt in een rapport dat aan een klant is geleverd.
Een bestand vanaf uw machine verwerken
In het echte leven komen documenten zelden binnen via een openbare URL. U heeft ze op schijf staan, ze zijn vertrouwelijk, dus codeert u ze in base64. Het volgende script verwerkt een leveranciersfactuur en voegt alle pagina’s samen tot één tekstblok:
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)
Samenvoegen via "\n\n".join(...) werkt prima voor weergave of full-text search. Het wist echter de grens tussen pagina’s: als u later een bron moet citeren of een gebruiker naar de juiste pagina van een contract moet verwijzen, behoud dan de structuur pagina voor pagina in plaats van dit enkele blok.
De extractie opslaan
Elke OCR-aanroep kost geld en tijd. Het opnieuw uitvoeren van de extractie van hetzelfde rapport van tweehonderd pagina’s omdat u bent vergeten het resultaat op te slaan, is een fout die u maar één keer maakt. De onderstaande functie schrijft de Markdown naar een bestand, markeert pagina-einden met een commentaar en een scheidingsteken:
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")
De HTML-commentaar <!-- Page N --> is onzichtbaar in de weergegeven view maar blijft aanwezig in het bestand: u kunt deze via reguliere expressies vinden om paginering tijdens indexering te reconstrueren.
Het geval van een geïsoleerde afbeelding
OCR 4 is niet beperkt tot PDF’s. Een foto van een factuur gemaakt met een telefoon, een gescande bon, een screenshot—alles wordt op dezelfde manier verzonden, met behulp van het type 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)
De respons houdt dezelfde vorm aan: een lijst met pagina’s, die hier slechts één element bevat. Uw verwerkingscode blijft daarom identiek, ongeacht het type invoerbestand, wat gemengde pipelines aanzienlijk vereenvoudigt.
Een geïllustreerd document reconstrueren
De teruggegeven Markdown verwijst naar afbeeldingen als , zonder ze in te sluiten. Als u een zelfstandig bestand wilt—een offline leesbaar rapport, een preview om per e-mail te verzenden—vraag de afbeeldingen dan in base64 aan en vervang elke verwijzing door een data-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""
data_uri = f""
markdown = markdown.replace(placeholder, data_uri)
print(markdown[:500])
Het resulterende bestand groeit snel, aangezien base64 ongeveer een derde zwaarder weegt dan het oorspronkelijke binair. Reserveer deze reconstructie voor documenten die u zelfstandig moet maken, en houd afbeeldingen als aparte bestanden in uw indexeringspipelines.
Voordat u verdergaat, neemt u een document dat u bezit—een factuur, een contract, een gescande pagina—en voert u dit uit via het lokale extractiescript. Vergelijk de resulterende Markdown regel voor regel met het origineel: de afwijkingen die u vindt, zoals een slecht gereconstrueerde tabel of een koptekst die in de bodytekst is opgenomen, zijn precies de problemen die u in de volgende drie lessen leert afhandelen.
Belangrijkste punten
- De OCR-aanroep neemt 3 regels in beslag: client, process, pagina’s lezen
- Gebruik base64 voor lokale bestanden, URL voor openbare documenten
- Het resultaat is gestructureerde Markdown, klaar voor gebruik
- Geëxtraheerde afbeeldingen kunnen opnieuw met tekst worden gecombineerd
- Sla uw extracties altijd op om herhaalde API-aanroepen te voorkomen