Kopteksten, voetteksten en paginering
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 sinds 16 juli daarnaar verwijst. OCR 4.1 voegt betrouwbaarheidsscores toe op blokniveau.
Scheid decoratie van inhoud
Sinds OCR-versie 2512 (december 2025) extraheert het OCR-model van Mistral kopteksten en voetteksten voor elke pagina afzonderlijk. Deze functie lijkt misschien triviaal, totdat u een contract van 120 pagina’s indexeert: de naam van het advocatenkantoor, de markering “Vertrouwelijk” en de paginanummers verschijnen 120 keer, wat elk zoekresultaat vervuilt. Bij formele documenten—contracten, jaarverslagen, regelgevingsteksten—transformeert deze scheiding de kwaliteit van alles wat volgt.
Het dilemma is reëel. Deze elementen herhalen zich mechanisch op elke pagina, wat ruis veroorzaakt in zowel de indexering als de antwoorden van RAG-systemen. Toch bevatten ze soms de enige betrouwbare metadata van het document: versienummer, uitgavedatum, classificatieniveau. Door ze afzonderlijk te extraheren, in plaats van ze te verwijderen of in de hoofdtekst te laten, kunt u per geval beslissen.
Toegang tot de velden
De velden header en footer zijn direct beschikbaar op elke pagina van het antwoord:
import os
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://exemple.com/contrat.pdf"
}
)
for page in ocr_response.pages:
print(f"--- Pagina {page.index + 1} ---")
if page.header:
print(f"Koptekst: {page.header}")
print(f"Inhoud: {page.markdown[:100]}...")
if page.footer:
print(f"Voettekst: {page.footer}")
print()
De controles if page.header zijn niet overbodig: niet elke pagina heeft een koptekst, te beginnen met voorpagina’s; in dat geval is het veld None.
Paginering reconstrueren
Elke pagina is nul-geïndexeerd. Voor een document met meerdere pagina’s dat u wilt opslaan of teruggeven aan een applicatie, is het beter de structuur direct te normaliseren: een voor mensen leesbaar nummer, inhoud, decoratie, afmetingen en het aantal afbeeldingen.
def extract_with_pagination(ocr_response) -> dict:
"""Extraheer inhoud met behoud van paginering."""
document = {
"page_count": len(ocr_response.pages),
"pages": []
}
for page in ocr_response.pages:
page_data = {
"number": page.index + 1,
"content": page.markdown,
"header": page.header or "",
"footer": page.footer or "",
"dimensions": {
"width": page.dimensions.width if page.dimensions else None,
"height": page.dimensions.height if page.dimensions else None,
},
"image_count": len(page.images) if page.images else 0,
}
document["pages"].append(page_data)
return document
De operatoren or "" en de bewakingen op page.dimensions zetten potentieel null-waarden om in neutrale standaardwaarden. Dit voorkomt een AttributeError halverwege een batch bij het verwerken van het 80e document.
Afmetingen worden uitgedrukt in PDF-punten, waarbij één punt gelijkstaat aan 1/72 inch. De formaten die u het vaakst zult tegenkomen:
- A4: 595 x 842 punten
- Letter: 612 x 792 punten
- A3: 842 x 1191 punten
Deze informatie helpt u afwijkende pagina’s in een batch te signaleren—een A3-blauwdruk tussen A4-vellen, of een scan op een ongebruikelijke schaal. Omrekenen naar centimeters maakt de diagnose direct:
for page in ocr_response.pages:
if page.dimensions:
width_cm = page.dimensions.width * 2.54 / 72
height_cm = page.dimensions.height * 2.54 / 72
print(f"Pagina {page.index + 1}: {width_cm:.1f} x {height_cm:.1f} cm")
Schone inhoud voor RAG
Afhankelijk van het document kunnen de koptekst en voettekst ook in de hoofd-markdown voorkomen. Verwijder ze voor indexering wanneer ze de inhoud daadwerkelijk omlijsten:
def main_content(ocr_response) -> str:
"""Extraheer alleen de hoofdinhoud, zonder kopteksten/voetteksten."""
parts = []
for page in ocr_response.pages:
content = page.markdown
# Optioneel: verwijder kopteksten/voetteksten uit markdown
# als ze in de hoofdinhoud zijn opgenomen
if page.header and content.startswith(page.header):
content = content[len(page.header):].strip()
if page.footer and content.endswith(page.footer):
content = content[:-len(page.footer)].strip()
parts.append(content)
return "\n\n".join(parts)
De voorwaarden startswith en endswith zijn bewust voorzichtig: we verwijderen de tekenreeks alleen als deze echt aan het begin of einde van de pagina staat. Blind verwijderen via replace riskeert het wissen van een legitieme vermelding van de bedrijfsnaam midden in de tekst.
Voettekst-metadata benutten
Zodra voetteksten geïsoleerd zijn, volstaan een paar reguliere expressies om gestructureerde metadata te extraheren: paginering in het formaat “3 / 40”, uitgavedatum, versienummer en classificatieniveau.
import re
def extract_footer_metadata(ocr_response) -> dict:
"""Extraheer metadata uit voetteksten."""
metadata = {
"page_numbers": [],
"dates": [],
"versions": [],
"classifications": [],
}
for page in ocr_response.pages:
footer = page.footer or ""
# Zoeken naar paginanummer
match_page = re.search(r"(\d+)\s*/\s*(\d+)", footer)
if match_page:
metadata["page_numbers"].append(
f"{match_page.group(1)}/{match_page.group(2)}"
)
# Zoeken naar datum
match_date = re.search(r"\d{2}/\d{2}/\d{4}", footer)
if match_date:
metadata["dates"].append(match_date.group())
# Zoeken naar versie
match_version = re.search(r"v(?:ersion)?\s*(\d+\.?\d*)", footer, re.I)
if match_version:
metadata["versions"].append(match_version.group(1))
# Classificatie (Vertrouwelijk, Openbaar, enz.)
for classification in ["confidential", "public", "internal", "secret"]:
if classification in footer.lower():
metadata["classifications"].append(classification)
return metadata
De waarde gaat verder dan documentaire nieuwsgierigheid. De hier gedetecteerde classificatie kan downstream-verwerking aansturen: stuur items gemarkeerd als “vertrouwelijk” naar een index met beperkte toegang, of weiger ze naar een externe service te sturen. Pas uiteraard de woordenschat aan om overeen te komen met de terminologie van uw organisatie.
Slechts een deel van het document verwerken
Bij grote documenten heeft u vaak maar een sectie nodig—de financiële bijlagen van een rapport, het ondertekende hoofdstuk van een contract. Filteren gebeurt na extractie, op het antwoord dat u al hebt ontvangen:
def extract_range(ocr_response, start: int, end: int) -> str:
"""Extraheer inhoud uit een paginabereik (1-geïndexeerd)."""
parts = []
for page in ocr_response.pages:
number = page.index + 1
if start <= number <= end:
parts.append(page.markdown)
return "\n\n---\n\n".join(parts)
# Extraheer pagina's 5 tot 10
partial_content = extract_range(ocr_response, 5, 10)
De functie gebruikt voor mensen leesbare nummering, beginnend bij 1: het opvragen van pagina’s 5 tot 10 geeft precies die pagina’s terug. Onthoud echter dat het volledige document is verwerkt—en gefactureerd—voordat dit filteren plaatsvond. Als u van tevoren weet dat slechts enkele pagina’s u interesseren, splits de PDF dan upstream in plaats van alle 1.000 pagina’s naar de API te sturen.
Belangrijkste punten
- Kopteksten en voetteksten worden afzonderlijk geëxtraheerd sinds OCR 2512
- Filter ze om ruis in uw RAG-pipelines te voorkomen
- Pagina-afmetingen zijn in PDF-punten (72 punten = 1 inch)
- Voetteksten bevatten vaak nuttige metadata (versie, datum, classificatie)
- Verwerk per paginabereik voor grote documenten