Antete, subsoluri și paginare
Pe această pagină
Actualizat pe 2 noiembrie 2026 — OCR. Modelul 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 aliasulmistral-ocr-latest, care indică spre acesta din 16 iulie. OCR 4.1 adaugă scoruri de încredere la nivel de bloc.
Separarea elementelor decorative de conținut
Începând cu versiunea OCR 2512 (decembrie 2025), modelul OCR de la Mistral extrage anteturile și subsolurile separat pentru fiecare pagină. Această funcționalitate poate părea trivială până când indexați un contract de 120 de pagini: numele firmei de avocatură, mențiunea „Confidențial“ și numerele de pagină apar de 120 de ori, poluând fiecare rezultat al căutării. În cazul documentelor formale—contracte, rapoarte anuale, texte de reglementare—această separare transformă calitatea tuturor proceselor ulterioare.
Dilema este reală. Aceste elemente se repetă mecanic pe fiecare pagină, generând zgomot atât în indexare, cât și în răspunsurile sistemelor RAG. Totuși, ele conțin uneori singurele metadate fiabile ale documentului: numărul versiunii, data emiterii, nivelul de clasificare. Extracția lor separată, în loc de ștergerea lor sau lăsarea lor în corpul textului, vă permite să decideți de la caz la caz.
Accesarea câmpurilor
Câmpurile header și footer sunt disponibile direct pe fiecare pagină a răspunsului:
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"Antet: {page.header}")
print(f"Conținut: {page.markdown[:100]}...")
if page.footer:
print(f"Subsol: {page.footer}")
print()
Verificările if page.header nu sunt superflue: nu fiecare pagină are un antet, începând cu paginile de copertă, caz în care câmpul este None.
Reconstrucția paginării
Fiecare pagină este indexată de la zero. Pentru un document multipagină pe care intenționați să îl stocați sau să îl returnați unei aplicații, este mai bine să normalizați structura imediat: număr lizibil pentru om, conținut, elemente decorative, dimensiuni și număr de imagini.
def extract_with_pagination(ocr_response) -> dict:
"""Extrage conținutul păstrând paginarea."""
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
Operatorii or "" și verificările de siguranță pentru page.dimensions convertesc valorile potențial nule în valori implicite neutre. Acest lucru previne apariția unei erori AttributeError la mijlocul unui lot de procesare, de exemplu la al 80-lea document.
Dimensiunile sunt exprimate în puncte PDF, unde un punct egal cu 1/72 dintr-un inch. Formatele pe care le veți întâlni cel mai des:
- A4: 595 x 842 puncte
- Letter: 612 x 792 puncte
- A3: 842 x 1191 puncte
Aceste informații vă ajută să identificați paginile atipice dintr-un lot—un plan A3 strecurat printre foi A4 sau o scanare la o scară neobișnuită. Conversia în centimetri face diagnosticul imediat:
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")
Conținut curat pentru RAG
În funcție de document, antetul și subsolul pot apărea și în câmpul principal markdown. Înainte de indexare, eliminați-le atunci când încadrează efectiv conținutul:
def main_content(ocr_response) -> str:
"""Extrage doar conținutul principal, fără antete/subsoluri."""
parts = []
for page in ocr_response.pages:
content = page.markdown
# Opțional: elimină antetele/subsolurile din markdown
# dacă sunt incluse în conținutul principal
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)
Condițiile startswith și endswith sunt intenționat prudente: eliminăm șirul doar dacă apare cu adevărat la începutul sau la sfârșitul paginii. Eliminarea oarbă prin replace riscă să șteargă o apariție legitimă a numelui companiei în mijlocul textului.
Valorificarea metadatelor din subsoluri
Odată ce subsolurile sunt izolate, câteva expresii regulate sunt suficiente pentru a extrage metadate structurate: paginarea în formatul „3 / 40“, data emiterii, numărul versiunii și nivelul de clasificare.
import re
def extract_footer_metadata(ocr_response) -> dict:
"""Extrage metadate din subsoluri."""
metadata = {
"page_numbers": [],
"dates": [],
"versions": [],
"classifications": [],
}
for page in ocr_response.pages:
footer = page.footer or ""
# Căutare număr de pagină
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)}"
)
# Căutare dată
match_date = re.search(r"\d{2}/\d{2}/\d{4}", footer)
if match_date:
metadata["dates"].append(match_date.group())
# Căutare versiune
match_version = re.search(r"v(?:ersion)?\s*(\d+\.?\d*)", footer, re.I)
if match_version:
metadata["versions"].append(match_version.group(1))
# Clasificare (Confidențial, Public etc.)
for classification in ["confidential", "public", "internal", "secret"]:
if classification in footer.lower():
metadata["classifications"].append(classification)
return metadata
Valoarea depășește simpla curiozitate documentară. Clasificarea detectată aici poate dirija procesarea ulterioară: direcționați elementele marcate „confidențial“ către un index cu acces restricționat sau refuzați trimiterea lor către un serviciu extern. Evident, adaptați vocabularul pentru a corespunde terminologiei organizației dumneavoastră.
Procesarea doar a unei părți din document
Pentru documente voluminoase, aveți adesea nevoie doar de o secțiune—anexele financiare ale unui raport, capitolul semnat al unui contract. Filtrarea are loc după extracție, pe răspunsul pe care l-ați primit deja:
def extract_range(ocr_response, start: int, end: int) -> str:
"""Extrage conținutul dintr-un interval de pagini (indexat de la 1)."""
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)
# Extrage paginile 5 până la 10
partial_content = extract_range(ocr_response, 5, 10)
Funcția utilizează o numerotare lizibilă pentru om, începând de la 1: solicitarea paginilor 5 până la 10 returnează exact acele pagini. Rețineți totuși că întregul document a fost procesat—și facturat—înainte de această filtrare. Dacă știți dinainte că doar câteva pagini vă interesează, divizați fișierul PDF în amonte, în loc să trimiteți toate cele 1.000 de pagini către API.
Puncte cheie
- Anteturile și subsolurile sunt extrase separat începând cu OCR 2512
- Filtrați-le pentru a evita zgomotul în pipeline-urile dumneavoastră RAG
- Dimensiunile paginilor sunt în puncte PDF (72 puncte = 1 inch)
- Subsolurile conțin adesea metadate utile (versiune, dată, clasificare)
- Procesați pe intervale de pagini pentru documentele mari