Hlavičky, pätičky a stránkovanie
Na tejto strane
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 aliasmistral-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