Salt la conținutul principal
Română— Alege o limbă
Meniu

Primul apel OCR în Python

Lecția 5 din 16 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. De la teorie la cod
  2. Scriptul minimal
  3. Procesarea unui fișier de pe mașina dumneavoastră
  4. Salvarea extragerii
  5. Cazul unei imagini izolate
  6. Reconstrucția unui document ilustrat
  7. Puncte cheie

Actualizat pe 2 noiembrie 2026 — OCR. OCR 4.0 (mistral-ocr-4-0) a fost retras la 30 septembrie 2026. Utilizați OCR 4.1 (mistral-ocr-4-1), disponibil public din 31 august la același preț, sau aliasul mistral-ocr-latest, care indică această versiune din 16 iulie. OCR 4.1 adaugă scoruri de încredere la nivel de bloc. Addendum 3 noiembrie 2026: Un PDF local este transmis în base64 sub forma {"type": "document_url", "document_url": "data:application/pdf;base64,…"}; tipul document_base64 din exemplele mai vechi nu există nici în documentație, nici în SDK-ul mistralai, iar acele exemple ar fi eșuat. Surse: OCR Processor · Document QnA.

De la teorie la cod

Cunoașteți acum endpoint-ul și parametrii săi. Este momentul să scrieți un script complet care extrage textul dintr-un PDF, de la prima linie de import până la fișierul Markdown salvat pe disc. Vom începe cu cazul cel mai simplu—un document public—pentru a trece apoi la ceea ce veți întâlni în practică: fișiere locale, imagini izolate și documente ilustrate care necesită reconstrucție.

Două prerechizite, deja abordate, dar care merită verificate înainte de a pierde zece minute din cauza unei erori de autentificare:

pip install mistralai
export MISTRAL_API_KEY="your-api-key"

Scriptul minimal

Iată extragerea completă a unui PDF accesibil online. Trei linii utile: instanțierea clientului, apelul metodei process și iterarea prin pagini.

import os
from mistralai.client import Mistral

# Inițializarea clientului
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# Apel OCR pe un PDF public
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://arxiv.org/pdf/2201.04234"
    }
)

# Afișarea numărului de pagini
print(f"Number of pages: {len(ocr_response.pages)}")

# Afișarea conținutului fiecărei pagini
for page in ocr_response.pages:
    print(f"\n--- Page {page.index + 1} ---")
    print(page.markdown)

Rețineți page.index + 1: indexul returnat de API începe de la zero, în timp ce utilizatorii dumneavoastră numără de la unu. Este o decalare minoră atâta timp cât o aveți în minte, dar o sursă de confuzie persistentă atunci când o descoperiți într-un raport livrat unui client.

Procesarea unui fișier de pe mașina dumneavoastră

În viața reală, documentele ajung rareori printr-un URL public. Le aveți pe disc, sunt confidențiale, așa că le codificați în base64. Scriptul următor procesează o factură de la furnizor și concatenează toate paginile într-un singur bloc de text:

import os
import base64
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# Citirea și codificarea fișierului local
file_path = "supplier_invoice.pdf"

with open(file_path, "rb") as f:
    document_base64 = base64.b64encode(f.read()).decode("utf-8")

# Apel OCR
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": f"data:application/pdf;base64,{document_base64}"
    }
)

# Concatenarea întregului text
full_text = "\n\n".join(
    page.markdown for page in ocr_response.pages
)

print(full_text)

Concatenarea prin "\n\n".join(...) funcționează bine pentru afișare sau căutare full-text. Totuși, aceasta șterge limita dintre pagini: dacă ulterior trebuie să citați o sursă sau să direcționați un utilizator către pagina corectă a unui contract, păstrați structura pagină cu pagină în loc de acest bloc unic.

Salvarea extragerii

Fiecare apel OCR costă bani și timp. Rularea din nou a extragerii aceluiași raport de două sute de pagini pentru că ați uitat să salvați rezultatul este o greșeală pe care o faceți o singură dată. Funcția de mai jos scrie Markdown-ul într-un fișier, marcând întreruperile de pagină cu un comentariu și un separator:

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:
    """Extrage textul dintr-un PDF și îl salvează ca 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}")


# Utilizare
extract_pdf("annual_report.pdf", "annual_report.md")

Comentariul HTML <!-- Page N --> este invizibil în vizualizarea randată, dar rămâne prezent în fișier: îl puteți găsi prin expresii regulate pentru a reconstrui paginarea în timpul indexării.

Cazul unei imagini izolate

OCR 4 nu se limitează la PDF-uri. O fotografie a unei facturi făcută cu telefonul, o chitanță scanată, o captură de ecran—toate sunt trimise în același mod, folosind tipul image_base64:

import os
import base64
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# Codificarea unei imagini
with open("scanned_invoice.png", "rb") as f:
    image_base64 = base64.b64encode(f.read()).decode("utf-8")

# Apel OCR pe o imagine
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "image_base64",
        "image_base64": image_base64
    }
)

# O singură „pagină“ pentru o imagine
print(ocr_response.pages[0].markdown)

Răspunsul păstrează aceeași formă: o listă de pagini, care aici conține doar una. Codul dumneavoastră de procesare rămâne astfel identic indiferent de tipul fișierului de intrare, ceea ce simplifică enorm pipeline-urile mixte.

Reconstrucția unui document ilustrat

Markdown-ul returnat face referire la imagini sub forma ![imageN.jpg](imageN.jpg), fără a le încorpora. Dacă doriți un fișier autonom—un raport citibil offline, o previzualizare de trimis pe email—solicitați imaginile în base64 și înlocuiți fiecare referință cu un URI de date:

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

    # Înlocuirea referințelor la imagini cu base64
    for image in page.images:
        placeholder = f"![{image.id}]({image.id})"
        data_uri = f"![{image.id}](data:image/jpeg;base64,{image.image_base64})"
        markdown = markdown.replace(placeholder, data_uri)

    print(markdown[:500])

Fișierul rezultat crește rapid, deoarece base64 cântărește cu aproximativ o treime mai mult decât binarul original. Rezervați această reconstrucție pentru documentele pe care trebuie să le faceți autonome și păstrați imaginile ca fișiere separate în pipeline-urile dumneavoastră de indexare.

Înainte de a continua, luați un document pe care îl dețineți—o factură, un contract, o pagină scanată—și rulați-l prin scriptul de extragere locală. Comparați Markdown-ul rezultat cu originalul, linie cu linie: discrepanțele pe care le găsiți, un tabel reconstruit prost sau un antet absorbit în corpul textului, sunt exact problemele pe care următoarele trei lecții vă vor învăța să le gestionați.

Puncte cheie

  • Apelul OCR necesită 3 linii: client, process, citirea paginilor
  • Folosiți base64 pentru fișierele locale, URL pentru documentele publice
  • Rezultatul este un Markdown structurat, gata de utilizare
  • Imaginile extrase pot fi recombinate cu textul
  • Salvați întotdeauna extragerile pentru a evita apelurile API repetate