Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Rubriker, sidfötter och sidnumrering

Lektion 7 av 16 Uppdaterad 2 november 2026 Utvecklare
På denna sida
  1. Separera dekoration från innehåll
  2. Komma åt fälten
  3. Återskapa sidnumrering
  4. Rent innehåll för RAG
  5. Utnyttja metadata i sidfoten
  6. Bearbeta bara en del av dokumentet
  7. Viktiga punkter

Uppdaterad 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.

Separera dekoration från innehåll

Sedan OCR-version 2512 (december 2025) extraherar Mistral:s OCR-modell rubriker och sidfötter separat för varje sida. Denna funktion kan verka trivial tills du indexerar ett 120-sidigt kontrakt: advokatbyråns namn, märkningen “Konfidentiellt” och sidnumreringen dyker upp 120 gånger och förorenar varje sökresultat. På formella dokument – kontrakt, årsredovisningar, regelverk – transformerar denna separation kvaliteten på allt som följer.

Dilemmat är verkligt. Dessa element upprepas mekaniskt på varje sida och skapar brus både vid indexering och i RAG-systemens svar. Ibland innehåller de dock dokumentets enda tillförlitliga metadata: versionsnummer, utgivningsdatum, klassificeringsnivå. Genom att extrahera dem separat, istället för att radera dem eller låta dem stanna i brödtexten, kan du avgöra från fall till fall.

Komma åt fälten

Fälten header och footer finns direkt tillgängliga på varje sida i svaret:

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"--- Sida {page.index + 1} ---")

    if page.header:
        print(f"Rubrik: {page.header}")

    print(f"Innehåll: {page.markdown[:100]}...")

    if page.footer:
        print(f"Sidfot: {page.footer}")

    print()

Kontrollerna if page.header är inte överflödiga: inte varje sida har en rubrik, börjande med omslagssidor, i vilket fall fältet är None.

Återskapa sidnumrering

Varje sida är nollindexerad. För ett flersidigt dokument som du planerar att lagra eller returnera till en applikation är det bättre att normalisera strukturen omedelbart: ett människoläsbart nummer, innehåll, dekoration, dimensioner och antal bilder.

def extract_with_pagination(ocr_response) -> dict:
    """Extrahera innehåll med bevarad sidnumrering."""
    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

Operatorerna or "" och skydden för page.dimensions omvandlar potentiellt null-värden till neutrala standardvärden. Detta förhindrar ett AttributeError mitt i en batch när du bearbetar det 80:e dokumentet.

Dimensioner anges i PDF-punkter, där en punkt motsvarar 1/72 tum. De format du oftast stöter på:

  • A4: 595 x 842 punkter
  • Letter: 612 x 792 punkter
  • A3: 842 x 1191 punkter

Denna information hjälper dig att upptäcka avvikande sidor i en batch – en A3-ritning som smugit sig in bland A4-ark, eller en skanning i ovanlig skala. Att konvertera till centimeter gör diagnosen omedelbar:

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"Sida {page.index + 1}: {width_cm:.1f} x {height_cm:.1f} cm")

Rent innehåll för RAG

Beroende på dokumentet kan rubriken och sidfoten också förekomma i huvud-markdown:en. Innan indexering bör du ta bort dem när de faktiskt ramar in innehållet:

def main_content(ocr_response) -> str:
    """Extrahera endast huvudinnehållet, utan rubriker/sidfötter."""
    parts = []

    for page in ocr_response.pages:
        content = page.markdown

        # Valfritt: ta bort rubriker/sidfötter från markdown
        # om de ingår i huvudinnehållet
        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)

Villkoren startswith och endswith är avsiktligt försiktiga: vi tar bara bort strängen om den verkligen förekommer i början eller slutet av sidan. Blind borttagning via replace riskerar att radera en legitim förekomst av företagsnamnet mitt i texten.

Utnyttja metadata i sidfoten

När sidfötter är isolerade räcker några reguljära uttryck för att extrahera strukturerade metadata: sidnumrering i formatet “3 / 40”, utgivningsdatum, versionsnummer och klassificeringsnivå.

import re

def extract_footer_metadata(ocr_response) -> dict:
    """Extrahera metadata från sidfötter."""
    metadata = {
        "page_numbers": [],
        "dates": [],
        "versions": [],
        "classifications": [],
    }

    for page in ocr_response.pages:
        footer = page.footer or ""

        # Sök efter sidnummer
        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)}"
            )

        # Sök efter datum
        match_date = re.search(r"\d{2}/\d{2}/\d{4}", footer)
        if match_date:
            metadata["dates"].append(match_date.group())

        # Sök efter version
        match_version = re.search(r"v(?:ersion)?\s*(\d+\.?\d*)", footer, re.I)
        if match_version:
            metadata["versions"].append(match_version.group(1))

        # Klassificering (Konfidentiellt, Offentligt, etc.)
        for classification in ["confidential", "public", "internal", "secret"]:
            if classification in footer.lower():
                metadata["classifications"].append(classification)

    return metadata

Värdet går bortom dokumentär nyfikenhet. Den klassificering som upptäcks här kan styra nedströms bearbetning: dirigera objekt märkta “konfidentiellt” till ett index med begränsad åtkomst, eller vägra skicka dem till en extern tjänst. Anpassa självklart ordvalet så att det matchar din organisations terminologi.

Bearbeta bara en del av dokumentet

För stora dokument behöver du ofta bara en sektion – de finansiella bilagorna i en rapport, det undertecknade kapitlet i ett kontrakt. Filtrering sker efter extrahering, på det svar du redan har mottagit:

def extract_range(ocr_response, start: int, end: int) -> str:
    """Extrahera innehåll från ett sidintervall (1-indexerat)."""
    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)


# Extrahera sidorna 5 till 10
partial_content = extract_range(ocr_response, 5, 10)

Funktionen använder människoläsbar numrering, börjande från 1: begäran om sidorna 5 till 10 returnerar exakt dessa sidor. Kom dock ihåg att hela dokumentet bearbetades – och debiterades – innan denna filtrering. Om du på förhand vet att bara några få sidor intresserar dig, dela upp PDF:en uppströms istället för att skicka alla 1 000 sidor till API:et.

Viktiga punkter

  • Rubriker och sidfötter extraheras separat sedan OCR 2512
  • Filtrera dem för att undvika brus i dina RAG-pipeliner
  • Siddimensioner anges i PDF-punkter (72 punkter = 1 tum)
  • Sidfötter innehåller ofta användbar metadata (version, datum, klassificering)
  • Bearbeta efter sidintervall för stora dokument