Extrakcia tabuliek a štruktúry
Na tejto strane
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 aliasmistral-ocr-latest, ktorý naň odkazuje od 16. júla. OCR 4.1 pridáva skóre spoľahlivosti na úrovni blokov.
Tabuľky: Historická slabina OCR
Požiadaj Tesseract o extrakciu súhrnnej tabuľky z finančnej správy a dostaneš reťazec riadkov, kde sa hodnoty zo stĺpca „Celkom“ pomiešajú s hodnotami zo stĺpca „Množstvo“ bez akejkoľvek väzby na ich pôvodné riadky. Problémom nie je rozpoznávanie znakov, ktoré funguje dobre, ale úplný nedostatok povedomia o tabuľkovej štruktúre. Tradičné riešenia čítajú zľava doprava a zhora nadol, pričom cestou strácajú vzťahy medzi stĺpcami a riadkami.
OCR 4 pristupuje k stránke inak: vidí ju. Toto vizuálne pochopenie mu umožňuje obnoviť tabuľku ako tabuľku, nie ako sploštený text.
Parameter table_format
Vykresľovanie tabuliek ovládaš jediným parametrom, ktorý odovzdáš pri volaní OCR:
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Formát Markdown (odporúčané pre väčšinu prípadov)
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/financial-report.pdf"
},
table_format="markdown"
)
Možné sú tri hodnoty a výber nie je len kozmetický: určuje, čo môžeš s výsledkom ďalej robiť.
Pri hodnote null, čo je predvolená hodnota, sú tabuľky integrované do toku Markdown bez špecifického tabuľkového formátovania. Toto nastavenie funguje, keď nespracovávaš tabuľkové dokumenty a chceš len text na indexovanie.
Pri hodnote "markdown" sa každá tabuľka vykreslí v štandardnom formáte s zvislými čiarami, čím vznikne výstup, ktorý je čitateľný tak, ako je, a ľahko sa parsuje:
| Produkt | Množstvo | Jednotková cena | Celkom |
|---------|----------|------------|-------|
| Widget A | 100 | 12,50 € | 1 250 € |
| Widget B | 50 | 25,00 € | 1 250 € |
| **Celkom** | **150** | | **2 500 €** |
Pri hodnote "html" sa tabuľka vykreslí ako plnohodnotné HTML, čo zachováva zlúčenie buniek a pokročilé formátovanie, ktoré Markdown nedokáže vyjadriť:
<table>
<thead>
<tr>
<th>Produkt</th>
<th>Množstvo</th>
<th>Jednotková cena</th>
<th>Celkom</th>
</tr>
</thead>
<tbody>
<tr>
<td>Widget A</td>
<td>100</td>
<td>12,50 €</td>
<td>1 250 €</td>
</tr>
</tbody>
</table>
V praxi Markdown pokrýva väčšinu potrieb: indexovanie pre RAG, vyhľadávanie alebo zobrazovanie v editore. Prepnite sa na HTML hneď, ako vaše tabuľky obsahujú zlúčené bunky alebo výsledok potrebuje byť vložený na webovú stránku. Hodnotu null ponechaj len vtedy, keď na tabuľkách vo vašom pracovnom postupe nezáleží – povedzme pri naratívnej správe alebo korešpondencii.
Získavanie tabuliek ako dát
Tabuľka v Markdown je stále text. Aby si ju premenil na manipulovateľné dáta, musíš ju v toku identifikovať a rozdeliť. Nasledujúca funkcia prechádza riadky, identifikuje tie, ktoré patria do tabuľky, ignoruje oddeľovací riadok a uzavrie aktuálnu tabuľku hneď, ako sa objaví bežný riadok:
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]]]:
"""Extrahuje tabuľky Markdown a konvertuje ich na zoznamy."""
tables = []
lines = markdown.split("\n")
current_table = []
in_table = False
for line in lines:
if "|" in line and line.strip().startswith("|"):
# Ignorovať oddeľovací riadok (|---|---|)
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
# Extrakcia OCR s tabuľkami Markdown
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": "https://example.com/invoice.pdf"
},
table_format="markdown"
)
# Prechod stránkami a extrakcia tabuliek
for page in ocr_response.pages:
tables = extract_markdown_tables(page.markdown)
for i, table in enumerate(tables):
print(f"Strana {page.index + 1}, Tabuľka {i + 1}:")
print(json.dumps(table, indent=2, ensure_ascii=False))
Konečná kontrola mimo cyklu nie je len ozdobná: bez nej by sa tabuľka na konci stránky – čo je bežný prípad pri súhrne faktúry – nikdy nepridala do zoznamu, keďže ju neuzavrie žiadny nasledujúci bežný riadok.
Prechod na pandas pre analýzu
Zoznam zoznamov stačí na export, nie na výpočty. Konverzia na DataFrame znamená povýšenie prvého riadku na hlavičky:
import pandas as pd
def tables_to_dataframes(markdown: str) -> list[pd.DataFrame]:
"""Konvertuje tabuľky Markdown na pandas DataFrame."""
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
# Použitie
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 falošné pozitíva: osamelý riadok obsahujúci zvislú čiaru vnútri bloku kódu alebo adresy nevytvorí pokazený, prázdny DataFrame. Maj na pamäti, že hodnoty zostávajú reťazce; konverzia „1 250 €“ na číslo je stále na tebe.
Keď sa tabuľky skomplikujú
Zlúčené bunky, dvojúrovňové hlavičky alebo nepravidelné rozloženia tlačia Markdown za hranice jeho expresívnych možností. Vtedy prepnite na HTML a nechajte knihovnice BeautifulSoup a pandas vybaviť analýzu:
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)
Tento prístup ťa zbaví písania vlastného parsera: pd.read_html zvláda atribúty rowspan a colspan, ktoré by tvoje manuálne delenie prehliadlo. Cenou je ďalšia závislosť a trochu ukecanejší výstup – kompromis, ktorý sa oplatí pri finančných správach alebo regulačných tabuľkách.
Kľúčové poznatky
- Parameter
table_formatriadi vykresľovanie tabuliek (null, markdown, html) - Formát Markdown vyhovuje väčšine prípadov použitia
- Formát HTML zachováva zlúčené bunky a pokročilé formátovanie
- Extrahované tabuľky možno konvertovať na pandas DataFrame na účely analýzy
- OCR 4 verne rekonštruuje tabuľkovú štruktúru, dokonca aj pri zložitých rozloženiach