Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Tvoj prvý volanie OCR v Pythone

Lekcia 5 z 16 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Od teórie ku kódu
  2. Minimálny skript
  3. Spracovanie súboru z tvojho počítača
  4. Uloženie extrakcie
  5. Prípad izolovaného obrázka
  6. Rekonštrukcia ilustrovaného dokumentu
  7. Kľúčové poznatky

Aktualizované 2. novembra 2026 — OCR. Verzia OCR 4.0 (mistral-ocr-4-0) bola vyradená 30. septembra 2026. Používaj OCR 4.1 (mistral-ocr-4-1), ktoré je všeobecne dostupné od 31. augusta za rovnakú cenu, alebo alias mistral-ocr-latest, ktorý naň odkazuje od 16. júla. OCR 4.1 pridáva skóre spoľahlivosti na úrovni blokov. Dodatok z 3. novembra 2026: Lokálny PDF sa odosiela v base64 ako {"type": "document_url", "document_url": "data:application/pdf;base64,…"}; typ document_base64 zo starších príkladov neexistuje ani v dokumentácii, ani v SDK mistralai a tieto príklady by zlyhali. Zdroje: OCR Processor · Document QnA.

Od teórie ku kódu

Teraz poznáš koncový bod a jeho parametre. Je čas napísať kompletný skript, ktorý extrahuje text z PDF, od prvého riadku importu až po súbor Markdown uložený na tvojom disku. Začneme najjednoduchším prípadom – verejným dokumentom – a potom prejdeme k tomu, s čím sa stretneš v praxi: lokálne súbory, izolované obrázky a ilustrované dokumenty, ktoré potrebujú rekonštrukciu.

Dve podmienky, ktoré sme už prebrali, ale stojí za to si ich overiť, než stratíš desať minút chybou pri autentifikácii:

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

Minimálny skript

Tu je úplná extrakcia PDF dostupného online. Tri užitočné riadky: inicializácia klienta, volanie process a iterácia cez stránky.

import os
from mistralai.client import Mistral

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

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

# Display the number of pages
print(f"Number of pages: {len(ocr_response.pages)}")

# Display the content of each page
for page in ocr_response.pages:
    print(f"\n--- Page {page.index + 1} ---")
    print(page.markdown)

Všimni si page.index + 1: index vrátený API začína od nuly, zatiaľ čo tvoji používatelia počítajú od jednej. Je to malý posun, pokiaľ naň pamätáš, ale zdroj trvalého zmätku, keď ho objavíš v reporte doručenom klientovi.

Spracovanie súboru z tvojho počítača

V reálnom živote dokumenty zriedka prichádzajú cez verejnú URL. Máš ich na disku, sú dôverné, takže ich zakóduješ do base64. Nasledujúci skript spracuje faktúru od dodávateľa a spojí všetky stránky do jedného bloku textu:

import os
import base64
from mistralai.client import Mistral

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

# Read and encode the local file
file_path = "supplier_invoice.pdf"

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

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

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

print(full_text)

Spájanie cez "\n\n".join(...) funguje dobre na zobrazenie alebo fulltextové vyhľadávanie. Maže však hranicu medzi stránkami: ak budeš neskôr potrebovať citovať zdroj alebo nasmerovať používateľa na správnu stránku zmluvy, zachovaj štruktúru stránka po stránke namiesto tohto jedného bloku.

Uloženie extrakcie

Každé volanie OCR stojí peniaze a trvá čas. Opätovné spustenie extrakcie tej istej dvestostranovej správy preto, že si zabudol uložiť výsledok, je chyba, ktorú urobíš len raz. Funkcia nižšie zapíše Markdown do súboru a označí zlomy stránok komentárom a oddeľovačom:

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:
    """Extracts text from a PDF and saves it as 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}")


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

HTML komentár <!-- Page N --> je v renderovanom zobrazení neviditeľný, ale zostáva prítomný v súbore: môžeš ho nájsť pomocou regulárneho výrazu a rekonštruovať pagináciu počas indexovania.

Prípad izolovaného obrázka

OCR 4 nie je obmedzené len na PDF. Fotka faktúry odfotená telefónom, naskenovaný bloček, screenshot – všetko sa odosiela rovnakým spôsobom, použitím typu image_base64:

import os
import base64
from mistralai.client import Mistral

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

# Encode an image
with open("scanned_invoice.png", "rb") as f:
    image_base64 = base64.b64encode(f.read()).decode("utf-8")

# OCR call on an image
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "image_base64",
        "image_base64": image_base64
    }
)

# A single "page" for an image
print(ocr_response.pages[0].markdown)

Odozva si zachováva rovnakú formu: zoznam stránok, ktorý tu obsahuje iba jednu. Tvoj spracovateľský kód teda zostáva identický bez ohľadu na typ vstupného súboru, čo výrazne zjednodušuje zmiešané pipeline.

Rekonštrukcia ilustrovaného dokumentu

Vrátený Markdown odkazuje na obrázky ako ![imageN.jpg](imageN.jpg), bez ich vloženia. Ak chceš samostatný súbor – report čitateľný offline, náhľad na odoslanie e-mailom – vyžiadaj si obrázky v base64 a nahraď každý odkaz data URI:

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

    # Replace image references with 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])

Výsledný súbor rýchlo narastá, keďže base64 váži asi o tretinu viac ako pôvodný binárny formát. Túto rekonštrukciu si nechaj pre dokumenty, ktoré potrebuješ urobiť samostatnými, a v svojich indexovacích pipeline nechávaj obrázky ako samostatné súbory.

Predtým, než pôjdeš ďalej, vezmi si dokument, ktorý vlastníš – faktúru, zmluvu, naskenovanú stránku – a spusti ho cez skript na lokálnu extrakciu. Porovnaj výsledný Markdown s originálom riadok po riadku: nezrovnalosti, ktoré nájdeš, zle rekonštruovaná tabuľka alebo hlavička pohltená telom textu, sú presne tie problémy, ktoré ťa naučia riešiť nasledujúce tri lekcie.

Kľúčové poznatky

  • Volanie OCR zaberie 3 riadky: klient, process, čítanie stránok
  • Pre lokálne súbory použij base64, pre verejné dokumenty URL
  • Výsledkom je štruktúrovaný Markdown, pripravený na použitie
  • Extrahované obrázky je možné opäť spojiť s textom
  • Vždy si ukladaj svoje extrakcie, aby si sa vyhol opakovaným volaniam API