Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Extrahera strukturerade metadata

Lektion 10 av 16 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. Extrahera exakt det du behöver
  2. Struktur istället för utplattning
  3. Upprepade data
  4. Kryssrutor och formulär
  5. Implementering från början till slut
  6. Viktiga punkter

Uppdatering 2 november 2026 — OCR. OCR 4.0 (mistral-ocr-4-0) togs ur bruk den 30 september 2026. Använd OCR 4.1 (mistral-ocr-4-1), som har varit allmänt tillgänglig sedan 31 augusti till samma pris, eller aliaset mistral-ocr-latest, som har pekat på den sedan 16 juli. OCR 4.1 lägger till konfidenspoäng på blocknivå. Tillägg 3 november 2026: En lokal PDF överförs i base64 som {"type": "document_url", "document_url": "data:application/pdf;base64,…"}; typen document_base64 från äldre exempel finns varken i dokumentationen eller i mistralai SDK, och dessa exempel skulle ha misslyckats. Källor: OCR Processor · Document QnA. Korrigerad 3 november 2026: Koden läste tidigare page.document_annotation sida för sida; i mistralai SDK 3.7.0 är dokumentannotering ett enda fält i svaret (response.document_annotation), och bildannotering läses från image.image_annotation.

Extrahera exakt det du behöver

Dokumentannotering handlar inte bara om att hämta råtext. Den producerar strukturerade, typade och validerade data som är redo för omedelbar användning i dina system: en rad infogad i en databas, ett fält jämfört mot en referens, eller ett belopp verifierat före betalning. Utmaningen flyttas helt till schemadesign, vilket är fokus för denna lektion.

Struktur istället för utplattning

Ett extraheringsschema bör spegla dokumentets verklighet. En faktura kommer från en juridisk enhet med ett företagsnamn, ett SIRET-nummer (franskt företags-ID) och en adress. Istället för att rada upp åtta fält som emetteur_rue, emetteur_ville, emetteur_siret, definierar du en modell Adresse och sedan en modell LegalEntity som innehåller den. Återanvänd dessa byggstenar för både avsändaren och mottagaren. Uppräkningen TypeDocument spelar en liknande roll: den hindrar modellen från att hitta på en kategori och garanterar ett värde du kan använda i ett if-uttryck eller för routning. Fält markerade som Optional anger explicit vad som kan saknas, medan standardvärden – som default="France" för landet – sparar modellen från att gissa det uppenbara.

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 street")
    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="Address postale")
    email: Optional[str] = Field(None, description="Address 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)"
    )

Upprepade data

Många dokument innehåller serier: fakturarader, klausuler eller kostnadsposter. Modellera dessa som en list[...] av en dedikerad undermodell. Modellen skannar sedan dokumenttabellen och producerar lika många LigneFacture-objekt som den hittar rader, inklusive beskrivning, kvantitet, enhetspris och totalt för varje rad. Detta ger dig tillräckligt med data för att själv räkna om delsumman och verifiera dokumentets konsistens innan du accepterar det.

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 supplier")
    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"
    )

Kryssrutor och formulär

Skannade pappersformulär är där modellen verkligen glänser. Ett fält av typen bool kopplat till frågetexten räcker: modellen känner igen om en ruta är ikryssad, extraherar motsvarande fråga och – vilket är avgörande för medicinsk eller administrativ användning – härleder att ett fält saknas istället för att hitta på ett värde, såsom Mistral-teamet har demonstrerat. Noteringen “null if not provided” i beskrivningen av telefonnumret är inte dekorativ; den auktoriserar explicit ett tomt värde.

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"
    )

Implementering från början till slut

Ta exemplet med den detaljerade fakturan och koppla det till ett base64-kodat dokument. Annoteringsprompten kompletterar schemat genom att specificera filtypen och betona noggrannhet gällande fakturarader; Pydantic-validering vid retur omvandlar JSON-strängen till ett objekt du kan traversera säkert.

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 invoice. Extrais toutes les lines "
        "de facturation avec leurs montants."
    )
)

# Extrahering och validering
if ocr_response.document_annotation:
    invoice = DetailedInvoice.model_validate_json(
        ocr_response.document_annotation
    )

    print(f"Facture {invoice.numero} - {invoice.fournisseur}")
    print(f"Date : {invoice.date}")
    print(f"\nLignes :")
    for line in invoice.lines:
        print(f"  - {line.description}: {line.quantite} x "
              f"{line.prix_unitaire}€ = {line.montant}€")
    print(f"\nTotal TTC : {invoice.total_incl_tax}€")

Dåliga extraheringsresultat beror nästan alltid på schemat, sällan på modellen. Granska dina beskrivningar en efter en: de måste vara precisa och entydiga, eftersom modellen enbart förlitar sig på dem för att förstå dina förväntningar. Skriv dem på samma språk som dina dokument – franska fungerar utmärkt för franska fakturor – och reservera uppräkningar (enums) för fält med begränsade värden och undermodeller för strukturer du kommer att återanvända över olika scheman.

Viktiga punkter

  • Pydantic-scheman möjliggör extrahering av typade och validerade data
  • Använd komplexa typer (listor, uppräkningar, nästlade modeller) för precisa extraheringar
  • Modellen hanterar valfria fält och kryssrutor tillförlitligt
  • Fältbeskrivningar styr extraheringen: var precis och explicit
  • Kombinera document_annotation_prompt med schemat för maximal kontext