Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Ton premier appel OCR en Python

Lektion 5 av 16 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. De la théorie au code
  2. Le script minimal
  3. Traiter un fichier depuis ta machine
  4. Sauvegarder l’extraction
  5. Le cas d’une image isolée
  6. Reconstruire un document illustré
  7. Viktiga punkter

Mis à jour le 2 novembre 2026 — OCR. L’OCR 4.0 (mistral-ocr-4-0) a été retiré le 30 septembre 2026. Utilise l’OCR 4.1 (mistral-ocr-4-1), disponible généralement depuis le 31 août au même tarif, ou l’alias mistral-ocr-latest qui le cible depuis le 16 juillet. L’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 type document_base64 présent dans d’anciens exemples n’existe ni dans la documentation ni dans le SDK mistralai, et ces exemples auraient échoué. Sources : Processeur OCR · Q&R sur les documents.

De la théorie au code

Tu connais maintenant le point de terminaison et ses paramètres. Il est temps d’écrire un script complet qui extrait le texte d’un PDF, de la première ligne d’importation jusqu’au fichier Markdown enregistré sur ton disque. Nous commencerons par le cas le plus simple — un document public — avant d’aborder ce que tu rencontreras en pratique : des fichiers locaux, des images isolées et des documents illustrés nécessitant une reconstruction.

Deux prérequis, déjà couverts mais qu’il vaut la peine de vérifier avant de perdre dix minutes sur une erreur d’authentification :

pip install mistralai
export MISTRAL_API_KEY="your-api-key"

Le script minimal

Voici l’extraction complète d’un PDF accessible en ligne. Trois lignes utiles : instancier le client, appeler process et itérer sur les pages.

import os
from mistralai.client import Mistral

# Initialiser le client
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# Appel OCR sur un PDF public
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://arxiv.org/pdf/2201.04234"
    }
)

# Afficher le nombre de pages
print(f"Number of pages: {len(ocr_response.pages)}")

# Afficher le contenu de chaque page
for page in ocr_response.pages:
    print(f"\n--- Page {page.index + 1} ---")
    print(page.markdown)

Note le page.index + 1 : l’index renvoyé par l’API commence à zéro, tandis que tes utilisateurs comptent à partir de un. C’est un décalage mineur tant que tu y penses, mais une source de confusion durable lorsque tu le découvres dans un rapport livré à un client.

Traiter un fichier depuis ta machine

Dans la vie réelle, les documents arrivent rarement via une URL publique. Tu les as sur ton disque, ils sont confidentiels, alors tu les encodes en base64. Le script suivant traite une facture fournisseur et concatène toutes les pages en un seul bloc de texte :

import os
import base64
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# Lire et encoder le fichier local
file_path = "supplier_invoice.pdf"

with open(file_path, "rb") as f:
    document_base64 = base64.b64encode(f.read()).decode("utf-8")

# Appel OCR
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": f"data:application/pdf;base64,{document_base64}"
    }
)

# Concaténer tout le texte
full_text = "\n\n".join(
    page.markdown for page in ocr_response.pages
)

print(full_text)

La concaténation via "\n\n".join(...) fonctionne bien pour l’affichage ou la recherche en texte intégral. Cependant, elle efface la frontière entre les pages : si tu as besoin plus tard de citer une source ou de diriger un utilisateur vers la bonne page d’un contrat, conserve la structure page par page plutôt que ce bloc unique.

Sauvegarder l’extraction

Chaque appel OCR coûte de l’argent et prend du temps. Relancer l’extraction d’un même rapport de deux cents pages parce que tu as oublié de sauvegarder le résultat est une erreur que tu ne commettras qu’une fois. La fonction ci-dessous écrit le Markdown dans un fichier, en marquant les sauts de page par un commentaire et un séparateur :

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:
    """Extrait le texte d'un PDF et l'enregistre au format 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}")


# Utilisation
extract_pdf("annual_report.pdf", "annual_report.md")

Le commentaire HTML <!-- Page N --> est invisible dans la vue rendue mais reste présent dans le fichier : tu peux le retrouver via une expression régulière pour reconstruire la pagination lors de l’indexation.

Le cas d’une image isolée

L’OCR 4 ne se limite pas aux PDF. Une photo de facture prise avec un téléphone, un reçu numérisé, une capture d’écran : tout s’envoie de la même manière, en utilisant le type image_base64 :

import os
import base64
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# Encoder une image
with open("scanned_invoice.png", "rb") as f:
    image_base64 = base64.b64encode(f.read()).decode("utf-8")

# Appel OCR sur une image
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "image_base64",
        "image_base64": image_base64
    }
)

# Une seule "page" pour une image
print(ocr_response.pages[0].markdown)

La réponse garde la même forme : une liste de pages, qui ici n’en contient qu’une. Ton code de traitement reste donc identique quel que soit le type de fichier d’entrée, ce qui simplifie grandement les pipelines mixtes.

Reconstruire un document illustré

Le Markdown renvoyé référence les images sous la forme ![imageN.jpg](imageN.jpg), sans les intégrer. Si tu souhaites un fichier autonome — un rapport lisible hors ligne, un aperçu à envoyer par e-mail — demande les images en base64 et remplace chaque référence par un URI de données :

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

    # Remplacer les références d'images par du base64
    for image in page.images:
        placeholder = f"![{image.id}]({image.id})"
        data_uri = f"![{image.id}](data:image/jpeg;base64,{image.image_base64})"
        markdown = markdown.replace(placeholder, data_uri)

    print(markdown[:500])

Le fichier résultant grossit rapidement, car le base64 pèse environ un tiers de plus que le binaire original. Réserve cette reconstruction aux documents que tu dois rendre autonomes, et conserve les images comme fichiers séparés dans tes pipelines d’indexation.

Avant de passer à la suite, prends un document que tu possèdes — une facture, un contrat, une page numérisée — et fais-le passer par le script d’extraction locale. Compare le Markdown résultant à l’original ligne par ligne : les écarts que tu trouveras, un tableau mal reconstruit ou un en-tête absorbé dans le corps du texte, sont exactement les problèmes que les trois prochaines leçons t’apprendront à gérer.

Viktiga punkter

  • L’appel OCR tient en 3 lignes : client, process, lecture des pages
  • Utilise le base64 pour les fichiers locaux, l’URL pour les documents publics
  • Le résultat est un Markdown structuré, prêt à l’emploi
  • Les images extraites peuvent être recombinées avec le texte
  • Sauvegarde toujours tes extractions pour éviter des appels API répétés