Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Hlavičky, pätičky a stránkovanie

Lekcia 7 z 16 Aktualizované 2. novembra 2026 Vývojár
Na tejto strane
  1. Oddeľ dekoráciu od obsahu
  2. Prístup k poliam
  3. Rekonštrukcia stránkovania
  4. Čistý obsah pre RAG
  5. Využitie metadát z pätičky
  6. Spracovanie iba časti dokumentu
  7. Kľúčové poznatky

Aktualizované 2. novembra 2026 — OCR. Model OCR 4.0 (mistral-ocr-4-0) bol vyradený 30. septembra 2026. Používaj OCR 4.1 (mistral-ocr-4-1), ktorý je všeobecne dostupný 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.

Oddeľ dekoráciu od obsahu

Od verzie OCR 2512 (december 2025) model Mistral OCR extrahuje hlavičky a pätičky pre každú stránku samostatne. Táto funkcia sa môže zdať triviálna, kým neindexuješ 120-stranovú zmluvu: názov advokátskej kancelárie, označenie „Dôverné“ a čísla stránok sa objavia 120-krát a znečistia každý výsledok vyhľadávania. Pri formálnych dokumentoch – zmluvách, výročných správach, regulačných textoch – toto oddelenie transformuje kvalitu všetkého, čo nasleduje.

Dilema je reálna. Tieto prvky sa mechanicky opakujú na každej strane a vytvárajú šum pri indexovaní aj v odpovediach systémov RAG. Zároveň však niekedy obsahujú jediný spoľahlivý metadátum dokumentu: číslo verzie, dátum vydania, úroveň klasifikácie. Ich samostatná extrakcia namiesto vymazania alebo ponechania v hlavnom texte ti umožňuje rozhodovať sa podľa konkrétneho prípadu.

Prístup k poliam

Polia header a footer sú dostupné priamo na každej strane odpovede:

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

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

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

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

    print()

Kontroly if page.header nie sú zbytočné: nie každá strana má hlavičku, začínajúc titulnými stranami, v ktorom prípade je hodnota poľa None.

Rekonštrukcia stránkovania

Každá strana je indexovaná od nuly. Pre viacstranový dokument, ktorý plánuješ uložiť alebo vrátiť aplikácii, je lepšie štruktúru okamžite normalizovať: číslo čitateľné pre človeka, obsah, dekorácia, rozmery a počet obrázkov.

def extract_with_pagination(ocr_response) -> dict:
    """Extrahuj obsah so zachovaným stránkovaním."""
    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

Operátory or "" a ochranné podmienky pre page.dimensions konvertujú potenciálne nulové hodnoty na neutrálne predvolené hodnoty. Tým predídeš chybe AttributeError uprostred dávky pri spracovaní 80. dokumentu.

Rozmery sú vyjadrené v bodoch PDF, kde jeden bod sa rovná 1/72 palca. Formáty, s ktorými sa stretneš najčastejšie:

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

Tieto informácie ti pomôžu odhaliť odľahlé strany v dávke – napríklad výkres formátu A3 vložený medzi hárky A4 alebo sken v nezvyčajnej mierke. Prevod na centimetre robí diagnostiku okamžitou:

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

Čistý obsah pre RAG

V závislosti od dokumentu sa môžu hlavička a pätička objaviť aj v hlavnom poli markdown. Pred indexovaním ich odstráň, ak skutočne rámujú obsah:

def main_content(ocr_response) -> str:
    """Extrahuj iba hlavný obsah bez hlavičiek a pätičiek."""
    parts = []

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

        # Voliteľné: odstránenie hlavičiek/pätičiek z markdownu,
        # ak sú zahrnuté v hlavnom obsahu
        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)

Podmienky startswith a endswith sú zámerne opatrné: reťazec odstránime len vtedy, ak sa skutočne nachádza na začiatku alebo na konci strany. Slepé odstránenie pomocou replace riskuje vymazanie legitímneho výskytu názvu spoločnosti uprostred textu.

Využitie metadát z pätičky

Keď sú pätičky izolované, na extrakciu štruktúrovaných metadát stačí niekoľko regulárnych výrazov: stránkovanie vo formáte „3 / 40“, dátum vydania, číslo verzie a úroveň klasifikácie.

import re

def extract_footer_metadata(ocr_response) -> dict:
    """Extrahuj metadáta z pätičiek."""
    metadata = {
        "page_numbers": [],
        "dates": [],
        "versions": [],
        "classifications": [],
    }

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

        # Hľadanie čísla strany
        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)}"
            )

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

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

        # Klasifikácia (Dôverné, Verejné atď.)
        for classification in ["confidential", "public", "internal", "secret"]:
            if classification in footer.lower():
                metadata["classifications"].append(classification)

    return metadata

Hodnota toho presahuje dokumentárnu zvedavosť. Zistená klasifikácia môže riadiť následné spracovanie: položky označené ako „dôverné“ smeruj do indexu s obmedzeným prístupom alebo odmietni ich odoslanie externej službe. Samozrejme, prispôsob slovník terminológii tvojej organizácie.

Spracovanie iba časti dokumentu

Pri veľkých dokumentoch často potrebuješ len určitú časť – finančné prílohy správy, podpísanú kapitolu zmluvy. Filtrovanie prebieha po extrakcii, na odpovedi, ktorú si už dostal:

def extract_range(ocr_response, start: int, end: int) -> str:
    """Extrahuj obsah z rozsahu stránok (indexované od 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)


# Extrahuj strany 5 až 10
partial_content = extract_range(ocr_response, 5, 10)

Funkcia používa číselné označenie čitateľné pre človeka, začínajúce od 1: požiadavka na strany 5 až 10 vráti presne tieto strany. Pamätaj však, že celý dokument bol spracovaný – a fakturovaný – ešte pred týmto filtrovaním. Ak vopred vieš, že ťa zaujíma len niekoľko strán, rozdeľ PDF upstream namiesto odoslania všetkých 1 000 strán do API.

Kľúčové poznatky

  • Hlavičky a pätičky sa extrahujú samostatne od verzie OCR 2512
  • Filtruj ich, aby si predišiel šumu v pipeline RAG
  • Rozmery strán sú v bodoch PDF (72 bodov = 1 palec)
  • Pätičky často obsahujú užitočné metadáta (verzia, dátum, klasifikácia)
  • Pri veľkých dokumentoch spracúvaj rozsahy strán