Ekstrakcja tabel i struktury
Na tej stronie
Zaktualizowano 2 listopada 2026 — OCR. Model OCR 4.0 (
mistral-ocr-4-0) został wycofany 30 września 2026 r. Używaj OCR 4.1 (mistral-ocr-4-1), dostępnego ogólnie od 31 sierpnia w tej samej cenie, lub aliasumistral-ocr-latest, który wskazuje na niego od 16 lipca. OCR 4.1 dodaje wyniki pewności (confidence scores) na poziomie bloków.
Tabele: historyczna słabość OCR
Poproś Tesseract o wyodrębnienie tabeli podsumowującej z raportu finansowego, a otrzymasz ciąg linii, w którym wartości z kolumny „Suma“ mieszają się z wartościami z kolumny „Ilość“, bez żadnej wskazówki łączącej je z oryginalnymi wierszami. Problem nie leży w rozpoznawaniu znaków, które działa poprawnie, lecz w całkowitym braku świadomości struktury tabelarycznej. Tradycyjne rozwiązania czytają od lewej do prawej, od góry do dołu, gubiąc po drodze relacje między kolumnami i wierszami.
OCR 4 podchodzi do strony inaczej: ją widzi. To zrozumienie wizualne pozwala przywrócić tabelę jako tabelę, a nie jako spłaszczony tekst.
Parametr table_format
Sterujesz renderowaniem tabel za pomocą jednego parametru przekazywanego do wywołania OCR:
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Format Markdown (zalecany w większości przypadków)
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/financial-report.pdf"
},
table_format="markdown"
)
Możliwe są trzy wartości, a wybór nie jest kwestią kosmetyczną: decyduje o tym, co możesz zrobić z wynikiem w dalszym etapie przetwarzania.
Przy wartości null (domyślnej) tabele są integrowane z przepływem Markdown bez specyficznego formatowania tabelarycznego. To ustawienie sprawdza się, gdy nie przetwarzasz dokumentów tabelarycznych i potrzebujesz jedynie tekstu do indeksowania.
Przy wartości "markdown" każda tabela jest renderowana w standardowym formacie z pipe’ami, co daje wynik czytelny od razu i łatwy do parsowania:
| Produkt | Ilość | Cena jednostkowa | Suma |
|---------|----------|------------|-------|
| Widget A | 100 | 12,50 € | 1 250 € |
| Widget B | 50 | 25,00 € | 1 250 € |
| **Suma** | **150** | | **2 500 €** |
Przy wartości "html" tabela jest renderowana jako pełny kod HTML, zachowując scalenia komórek i zaawansowane formatowanie, którego Markdown nie potrafi wyrazić:
<table>
<thead>
<tr>
<th>Produkt</th>
<th>Ilość</th>
<th>Cena jednostkowa</th>
<th>Suma</th>
</tr>
</thead>
<tbody>
<tr>
<td>Widget A</td>
<td>100</td>
<td>12,50 €</td>
<td>1 250 €</td>
</tr>
</tbody>
</table>
W praktyce Markdown pokrywa większość potrzeb: indeksowanie RAG, wyszukiwanie czy wyświetlanie w edytorze. Przełącz się na HTML, gdy tylko Twoje tabele zawierają scalone komórki lub wynik musi zostać osadzony na stronie internetowej. Pozostaw null tylko wtedy, gdy tabele nie mają znaczenia w Twoim przepływie pracy – np. w raporcie narracyjnym lub korespondencji.
Pobieranie tabel jako danych
Tabela w Markdown to nadal tekst. Aby przekształcić ją w dane możliwe do manipulacji, musisz wykryć ją w strumieniu i rozdzielić. Poniższa funkcja przechodzi przez linie, identyfikuje te należące do tabeli, ignoruje linię separatora i zamyka bieżącą tabelę natychmiast, gdy pojawi się zwykła linia:
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]]]:
"""Wyodrębnia tabele Markdown i konwertuje je na listy."""
tables = []
lines = markdown.split("\n")
current_table = []
in_table = False
for line in lines:
if "|" in line and line.strip().startswith("|"):
# Ignoruj linię separatora (|---|---|)
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
# Ekstrakcja OCR z tabelami w formacie Markdown
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/invoice.pdf"
},
table_format="markdown"
)
# Iteracja przez strony i ekstrakcja tabel
for page in ocr_response.pages:
tables = extract_markdown_tables(page.markdown)
for i, table in enumerate(tables):
print(f"Strona {page.index + 1}, Tabela {i + 1}:")
print(json.dumps(table, indent=2, ensure_ascii=False))
Ostatnie sprawdzenie poza pętlą nie jest ozdobnikiem: bez niego tabela znajdująca się na końcu strony – częsty przypadek w podsumowaniu faktury – nigdy nie zostałaby dodana do listy, ponieważ nie pojawiłaby się żadna zwykła linia, która by ją zamknęła.
Przejście do pandas w celu analizy
Lista list wystarcza do eksportu, ale nie do obliczeń. Konwersja do DataFrame oznacza promowanie pierwszego wiersza do nagłówków:
import pandas as pd
def tables_to_dataframes(markdown: str) -> list[pd.DataFrame]:
"""Konwertuje tabele Markdown na DataFrame biblioteki 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
# Użycie
for page in ocr_response.pages:
dfs = tables_to_dataframes(page.markdown)
for df in dfs:
print(df.to_string())
print()
Test len(table) < 2 filtruje fałszywe trafienia: pojedyncza linia zawierająca pipe, znajdująca się w bloku kodu lub adresie, nie utworzy uszkodzonego, pustego DataFrame. Pamiętaj, że wartości pozostają stringami; konwersja „1 250 €“ na liczbę nadal należy do Ciebie.
Gdy tabele stają się skomplikowane
Scalone komórki, nagłówki dwupoziomowe lub nieregularne układy wypychają Markdown poza granice jego możliwości ekspresyjnych. Przełącz się wtedy na HTML i pozwól bibliotece BeautifulSoup oraz pandas zająć się analizą:
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)
To podejście избавia Cię od pisania parsera: pd.read_html obsługuje atrybuty rowspan i colspan, które Twoje ręczne dzielenie by przeoczyło. Kosztem jest dodatkowa zależność i nieco bardziej rozwlekły wynik – to kompromis wart poniesienia w przypadku raportów finansowych lub tabel regulacyjnych.
Kluczowe wnioski
- Parametr
table_formatkontroluje renderowanie tabel (null, markdown, html) - Format Markdown odpowiada większości przypadków użycia
- Format HTML zachowuje scalone komórki i zaawansowane formatowanie
- Wyodrębnione tabele można konwertować na DataFrame biblioteki pandas w celu analizy
- OCR 4 wiernie odtwarza strukturę tabelaryczną, nawet w przypadku złożonych układów