Extraction de métadonnées structurées
Na tej strani
Mise à jour du 2 novembre 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) a été retiré le 30 septembre 2026. Utilise OCR 4.1 (mistral-ocr-4-1), disponible généralement depuis le 31 août au même tarif, ou l’aliasmistral-ocr-latest, qui le cible depuis le 16 juillet. OCR 4.1 ajoute des scores de confiance au niveau des blocs. Addendum du 3 novembre 2026 : un PDF local est transmis en base64 sous la forme{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; le typedocument_base64présent dans d’anciens exemples n’existe ni dans la documentation ni dans le SDKmistralai, et ces exemples auraient échoué. Sources : Processeur OCR · Q&R sur les documents. Corrigé le 3 novembre 2026 : le code lisait précédemmentpage.document_annotationpage par page ; dans le SDKmistralai3.7.0, l’annotation de document est un champ unique dans la réponse (response.document_annotation), et l’annotation d’image se lit depuisimage.image_annotation.
Extrais exactement ce dont tu as besoin
L’annotation de documents ne consiste pas seulement à récupérer du texte brut. Elle produit des données structurées, typées et validées, prêtes à être utilisées immédiatement dans tes systèmes : une ligne insérée dans une base de données, un champ comparé à une référence ou un montant vérifié avant paiement. Le défi se déplace entièrement vers la conception du schéma, ce qui est l’objet de cette leçon.
Structurer plutôt qu’aplatir
Un schéma d’extraction doit refléter la réalité du document. Une facture émane d’une entité légale disposant d’un nom d’entreprise, d’un numéro SIRET et d’une adresse. Au lieu d’aligner huit champs comme emetteur_rue, emetteur_ville, emetteur_siret, définis un modèle Adresse, puis un modèle LegalEntity qui le contient. Réutilise ces briques de base pour l’émetteur et le destinataire. L’énumération TypeDocument joue un rôle similaire : elle empêche le modèle d’inventer une catégorie et garantit une valeur que tu peux utiliser dans une instruction if ou pour le routage. Les champs Optional indiquent explicitement ce qui peut être absent, tandis que les valeurs par défaut — comme default="France" pour le pays — épargnent au modèle la tâche de deviner l’évidence.
from pydantic import BaseModel, Field
from typing import Optional
from enum import Enum
class DocumentType(str, Enum):
INVOICE = "facture"
CONTRACT = "contrat"
REPORT = "rapport"
FORM = "formulaire"
OTHER = "autre"
class Address(BaseModel):
street: Optional[str] = Field(None, description="Numéro et rue")
postal_code: Optional[str] = Field(None, description="Code postal")
city: Optional[str] = Field(None, description="Ville")
country: str = Field(default="France", description="Pays")
class LegalEntity(BaseModel):
name: str = Field(..., description="Raison sociale")
siret: Optional[str] = Field(None, description="Numéro SIRET")
address: Optional[Address] = Field(None, description="Adresse postale")
email: Optional[str] = Field(None, description="Adresse email")
class DocumentExtraction(BaseModel):
document_type: DocumentType = Field(
..., description="Type du document"
)
date: Optional[str] = Field(
None, description="Date principale (YYYY-MM-DD)"
)
emetteur: LegalEntity = Field(
..., description="Entité qui émet le document"
)
destinataire: Optional[LegalEntity] = Field(
None, description="Entité destinataire"
)
resume: str = Field(
..., description="Résumé en 2-3 phrases du contenu"
)
langue: str = Field(
..., description="Langue du document (code ISO 639-1)"
)
Données répétitives
De nombreux documents contiennent des séries : lignes de facturation, clauses ou postes de dépenses. Modélise-les sous la forme d’une list[...] d’un sous-modèle dédié. Le modèle scanne alors le tableau du document et produit autant d’objets LigneFacture qu’il trouve de lignes, incluant pour chacune la description, la quantité, le prix unitaire et le total. Cela te donne suffisamment de données pour recalculer toi-même le sous-total et vérifier la cohérence du document avant de l’accepter.
from pydantic import BaseModel, Field
class InvoiceLine(BaseModel):
description: str = Field(..., description="Description du produit/service")
quantity: float = Field(..., description="Quantité")
unit_price: float = Field(..., description="Prix unitaire HT")
amount: float = Field(..., description="Montant total HT de la ligne")
class DetailedInvoice(BaseModel):
supplier: str = Field(..., description="Nom du fournisseur")
number: str = Field(..., description="Numéro de facture")
date: str = Field(..., description="Date (YYYY-MM-DD)")
lines: list[InvoiceLine] = Field(
..., description="Lignes de la facture"
)
subtotal_excl_tax: float = Field(..., description="Sous-total HT")
vat: float = Field(..., description="Montant TVA")
total_incl_tax: float = Field(..., description="Total TTC")
payment_terms: str = Field(
..., description="Conditions de paiement mentionnées"
)
Cases à cocher et formulaires
Les formulaires papier numérisés sont le domaine où le modèle excelle. Un champ bool associé à l’intitulé de la question suffit : le modèle reconnaît si une case est cochée, extrait la question correspondante et — point crucial pour les usages médicaux ou administratifs — déduit qu’un champ est manquant plutôt que d’inventer une valeur, comme l’a démontré l’équipe Mistral. La note „null if not provided” (nul si non fourni) dans la description du numéro de téléphone n’est pas décorative ; elle autorise explicitement une valeur vide.
from pydantic import BaseModel, Field
class FormResponse(BaseModel):
question: str = Field(..., description="Intitulé de la question")
answer: bool = Field(..., description="True si coché, False sinon")
class MedicalForm(BaseModel):
patient_name: str = Field(..., description="Nom complet du patient")
age: Optional[int] = Field(None, description="Âge du patient")
sex: Optional[str] = Field(None, description="Sexe (M/F)")
patient_id: Optional[str] = Field(None, description="ID patient")
phone: Optional[str] = Field(
None, description="Numéro de téléphone (null si non fourni)"
)
responses: list[FormResponse] = Field(
..., description="Réponses aux questions du formulaire"
)
Implémentation de bout en bout
Reprenons l’exemple de la facture détaillée et connectons-le à un document encodé en base64. L’invite d’annotation complète le schéma en spécifiant le type de fichier et en insistant sur l’attention à porter aux lignes de facturation ; la validation Pydantic au retour convertit la chaîne JSON en un objet que tu peux parcourir en toute sécurité.
import os
import json
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
document_annotation_format=response_format_from_pydantic_model(
DetailedInvoice
),
document_annotation_prompt=(
"Ce document est une facture. Extrais toutes les lignes "
"de facturation avec leurs montants."
)
)
# Extraction et validation
if ocr_response.document_annotation:
invoice = DetailedInvoice.model_validate_json(
ocr_response.document_annotation
)
print(f"Facture {invoice.number} - {invoice.supplier}")
print(f"Date : {invoice.date}")
print(f"\nLignes :")
for line in invoice.lines:
print(f" - {line.description}: {line.quantity} x "
f"{line.unit_price}€ = {line.amount}€")
print(f"\nTotal TTC : {invoice.total_incl_tax}€")
Des résultats d’extraction médiocres proviennent presque toujours du schéma, rarement du modèle. Relis tes descriptions une par une : elles doivent être précises et sans ambiguïté, car le modèle ne s’appuie que sur elles pour comprendre tes attentes. Rédige-les dans la langue de tes documents — le français fonctionne parfaitement pour des factures françaises — et réserve les énumérations aux champs aux valeurs limitées et les sous-modèles aux structures que tu réutiliseras dans plusieurs schémas.
Ključne ugotovitve
- Les schémas Pydantic permettent l’extraction de données typées et validées
- Utilise des types complexes (listes, énumérations, modèles imbriqués) pour des extractions précises
- Le modèle gère les champs optionnels et les cases à cocher de manière fiable
- Les descriptions de champs guident l’extraction : sois précis et explicite
- Combine
document_annotation_promptavec le schéma pour un contexte maximal