Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Cabeçalhos, rodapés e paginação

Aula 7 de 16 Atualizada a 2 de novembro de 2026 Programador
Nesta página
  1. Separar a decoração do conteúdo
  2. Aceder aos campos
  3. Reconstruir a paginação
  4. Conteúdo limpo para RAG
  5. Aproveitar os metadados do rodapé
  6. Processar apenas parte do documento
  7. Pontos-chave

Atualizado em 2 de novembro de 2026 — OCR. O OCR 4.0 (mistral-ocr-4-0) foi descontinuado a 30 de setembro de 2026. Utilize o OCR 4.1 (mistral-ocr-4-1), disponível para uso geral desde 31 de agosto pelo mesmo preço, ou o alias mistral-ocr-latest, que aponta para esta versão desde 16 de julho. O OCR 4.1 adiciona pontuações de confiança ao nível do bloco.

Separar a decoração do conteúdo

Desde a versão 2512 do OCR (dezembro de 2025), o modelo de OCR da Mistral extrai cabeçalhos e rodapés separadamente para cada página. Esta funcionalidade pode parecer trivial até indexar um contrato de 120 páginas: o nome do escritório de advogados, a menção “Confidencial” e os números de página aparecem 120 vezes, poluindo todos os resultados de pesquisa. Em documentos formais — contratos, relatórios anuais, textos regulamentares — esta separação transforma a qualidade de todo o processo subsequente.

O dilema é real. Estes elementos repetem-se mecanicamente em todas as páginas, criando ruído tanto na indexação como nas respostas do sistema RAG. No entanto, por vezes contêm os únicos metadados fiáveis do documento: número da versão, data de emissão, nível de classificação. Extraí-los separadamente, em vez de os apagar ou os deixar no corpo do texto, permite-lhe decidir caso a caso.

Aceder aos campos

Os campos header e footer estão disponíveis diretamente em cada página da resposta:

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"--- Page {page.index + 1} ---")

    if page.header:
        print(f"Header: {page.header}")

    print(f"Content: {page.markdown[:100]}...")

    if page.footer:
        print(f"Footer: {page.footer}")

    print()

As verificações if page.header não são supérfluas: nem todas as páginas têm cabeçalho, começando pelas capas, caso em que o campo é None.

Reconstruir a paginação

Cada página tem indexação zero. Para um documento de várias páginas que planeia armazenar ou devolver a uma aplicação, é preferível normalizar a estrutura imediatamente: número legível por humanos, conteúdo, decoração, dimensões e contagem de imagens.

def extract_with_pagination(ocr_response) -> dict:
    """Extract content while preserving pagination."""
    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

Os operadores or "" e as guardas em page.dimensions convertem valores potencialmente nulos em predefinições neutras. Isto evita um AttributeError a meio de um lote ao processar o 80.º documento.

As dimensões são expressas em pontos PDF, onde um ponto equivale a 1/72 de polegada. Os formatos que encontrará com mais frequência:

  • A4: 595 x 842 pontos
  • Letter: 612 x 792 pontos
  • A3: 842 x 1191 pontos

Esta informação ajuda-o a detetar páginas fora do padrão num lote — uma planta A3 infiltrada entre folhas A4 ou uma digitalização numa escala invulgar. Converter para centímetros torna o diagnóstico imediato:

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"Page {page.index + 1}: {width_cm:.1f} x {height_cm:.1f} cm")

Conteúdo limpo para RAG

Dependendo do documento, o cabeçalho e o rodapé podem também aparecer no markdown principal. Antes da indexação, remova-os quando estes enquadrarem efetivamente o conteúdo:

def main_content(ocr_response) -> str:
    """Extract only the main content, without headers/footers."""
    parts = []

    for page in ocr_response.pages:
        content = page.markdown

        # Optional: remove headers/footers from markdown
        # if they are included in the main content
        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)

As condições startswith e endswith são intencionalmente cautelosas: só removemos a cadeia se esta aparecer verdadeiramente no início ou no fim da página. A remoção cega através de replace corre o risco de apagar uma ocorrência legítima do nome da empresa no meio do texto.

Aproveitar os metadados do rodapé

Uma vez isolados os rodapés, bastam algumas expressões regulares para extrair metadados estruturados: paginação no formato “3 / 40”, data de emissão, número da versão e nível de classificação.

import re

def extract_footer_metadata(ocr_response) -> dict:
    """Extract metadata from footers."""
    metadata = {
        "page_numbers": [],
        "dates": [],
        "versions": [],
        "classifications": [],
    }

    for page in ocr_response.pages:
        footer = page.footer or ""

        # Page number search
        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)}"
            )

        # Date search
        match_date = re.search(r"\d{2}/\d{2}/\d{4}", footer)
        if match_date:
            metadata["dates"].append(match_date.group())

        # Version search
        match_version = re.search(r"v(?:ersion)?\s*(\d+\.?\d*)", footer, re.I)
        if match_version:
            metadata["versions"].append(match_version.group(1))

        # Classification (Confidential, Public, etc.)
        for classification in ["confidential", "public", "internal", "secret"]:
            if classification in footer.lower():
                metadata["classifications"].append(classification)

    return metadata

O valor disto vai além da curiosidade documental. A classificação detetada aqui pode orientar o processamento a jusante: encaminhar itens marcados como “confidential” para um índice de acesso restrito ou recusar o seu envio para um serviço externo. Obviamente, adapte o vocabulário para corresponder à terminologia da sua organização.

Processar apenas parte do documento

Para documentos extensos, muitas vezes só precisa de uma secção — os anexos financeiros de um relatório, o capítulo assinado de um contrato. A filtragem ocorre após a extração, na resposta que já recebeu:

def extract_range(ocr_response, start: int, end: int) -> str:
    """Extract content from a page range (1-indexed)."""
    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)


# Extract pages 5 to 10
partial_content = extract_range(ocr_response, 5, 10)

A função utiliza uma numeração legível por humanos, começando em 1: solicitar as páginas 5 a 10 devolve exatamente essas páginas. Lembre-se, no entanto, de que todo o documento foi processado — e faturado — antes desta filtragem. Se souber antecipadamente que apenas algumas páginas lhe interessam, divida o PDF a montante em vez de enviar todas as 1.000 páginas para a API.

Pontos-chave

  • Os cabeçalhos e rodapés são extraídos separadamente desde o OCR 2512
  • Filtre-os para evitar ruído nos seus pipelines RAG
  • As dimensões da página estão em pontos PDF (72 pontos = 1 polegada)
  • Os rodapés contêm frequentemente metadados úteis (versão, data, classificação)
  • Processe por intervalos de páginas para documentos grandes