Tvoj prvi klic OCR v Pythonu
Na tej strani
Posodobljeno 2. novembra 2026 — OCR. Različica OCR 4.0 (
mistral-ocr-4-0) je bila umaknjena 30. septembra 2026. Uporabi OCR 4.1 (mistral-ocr-4-1), ki je splošno dostopen od 31. avgusta po enaki ceni, ali aliasmistral-ocr-latest, ki kaže nanj od 16. julija. OCR 4.1 dodaja ocene zanesljivosti na ravni blokov. Dodatek 3. novembra 2026: Lokalni PDF se prenese v zapisu base64 kot{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; tipdocument_base64iz starejših primerov ne obstaja niti v dokumentaciji niti v SDK-jumistralai, ti primeri pa bi odpovedali. Viri: OCR Processor · Document QnA.
Od teorije do kode
Sedaj poznaš končno točko in njene parametre. Čas je, da napišeš popoln skript, ki izvleče besedilo iz PDF-ja, od prve vrstice uvoza do datoteke Markdown, shranjene na tvojem disku. Začeli bomo z najpreprostejšim primerom – javnim dokumentom – nato pa prešli na to, s čimer se boš srečal v praksi: lokalne datoteke, izolirane slike in ilustrirani dokumenti, ki potrebujejo rekonstrukcijo.
Dva predpogoja, ki sta že bila obravnavana, vendar ju je vredno preveriti, preden zapraviš deset minut zaradi napake pri avtentikaciji:
pip install mistralai
export MISTRAL_API_KEY="your-api-key"
Minimalni skript
Tukaj je popoln izvleček PDF-ja, dostopnega na spletu. Tri uporabne vrstice: inicializacija odjemalca, klic process in iteracija skozi strani.
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)
Bod pozoren na page.index + 1: indeks, ki ga vrne API, se začne z ničlo, medtem ko tvoji uporabniki štejejo od ene. To je manjši zamik, dokler ga imaš v mislih, a vir trajne zmede, ko ga odkriješ v poročilu, predanem naročniku.
Obdelava datoteke z tvojega računalnika
V realnem življenju dokumenti redko prispejo prek javnega URL-ja. Imaš jih na disku, zaupni so, zato jih kodiraš v base64. Naslednji skript obdela dobavnico in združi vse strani v en sam blok besedila:
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)
Združevanje prek "\n\n".join(...) dobro deluje za prikaz ali iskanje po celotnem besedilu. Vendar pa izbriše mejo med stranmi: če kasneje potrebuješ navajanje vira ali usmeritev uporabnika na pravilno stran pogodbe, ohrani strukturo stran za stranjo namesto tega enojnega bloka.
Shranjevanje izvlečka
Vsak klic OCR stane denar in vzame čas. Ponovno izvajanje izvlečka istega dvestostranskega poročila, ker si pozabil shraniti rezultat, je napaka, ki jo narediš le enkrat. Spodnja funkcija zapiše Markdown v datoteko in označi prelome strani s komentarjem in ločilom:
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 komentar <!-- Page N --> je v renderiranem pogledu neviden, a ostane prisoten v datoteki: najdeš ga lahko z regularnim izrazom, da med indeksiranjem rekonstruiraš oštevilčenje strani.
Primer izolirane slike
OCR 4 ni omejen na PDF-je. Fotografija dobavnice, posneta s telefonom, skeniran račun, posnetek zaslona – vse se pošlje na enak način, z uporabo tipa 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)
Odgovor ohrani isto obliko: seznam strani, ki tu vsebuje le eno element. Tvoja koda za obdelavo zato ostane identična ne glede na vrsto vhodne datoteke, kar močno poenostavi mešane cevovode.
Rekonstrukcija ilustriranega dokumenta
Vrnjeni Markdown se sklicuje na slike kot , ne da bi jih vgradil. Če želiš samostojno datoteko – poročilo, berljivo brez povezave, ali predogled za pošiljanje po e-pošti – zahtevaj slike v zapisu base64 in vsak sklic zamenjaj z URI-jem podatkov:
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""
data_uri = f""
markdown = markdown.replace(placeholder, data_uri)
print(markdown[:500])
Nastala datoteka hitro zraste, saj base64 tehta približno tretjino več kot izvirni binarni zapis. To rekonstrukcijo uporabi le za dokumente, ki jih moraš narediti samostojne, v svojih indeksnih cevovodih pa slike ohrani kot ločene datoteke.
Preden nadaljuješ, vzemi dokument, ki ga imaš – račun, pogodbo, skenirano stran – in ga zaženi skozi skript za lokalni izvleček. Primerjaj dobljeni Markdown z izvirnikom vrstico za vrstico: neskladja, na katera naletiš, slabo rekonstruirana tabela ali naslov, absorbiran v telo besedila, so točno tisti problemi, ki se jih boš naučil reševati v naslednjih treh lekcijah.
Ključne ugotovitve
- Klic OCR traja 3 vrstice: odjemalec, process, preberi strani
- Za lokalne datoteke uporabi base64, za javne dokumente URL
- Rezultat je strukturiran Markdown, pripravljen za uporabo
- Izvlečene slike lahko ponovno združiš z besedilom
- Vedno shrani svoje izvlečke, da se izogneš ponovnim klicem API-ja