О чём урок
Этот notebook применяет Mistral OCR-4 к **отчету Nvidia 10-Q SEC** и демонстрирует пять возможностей обработки таблиц и вывода данных:
Документ: samples/Nvidia-10-Q-Form.pdf (страницы 1–30 из 45; лимит API составляет 30 страниц)Модель: mistral-ocr-4-0 через Azure AI Foundry
Один запрос, который одновременно включает все четыре функции:
- include_blocks: true → ограничивающие рамки + классификация блоков
- confidence_scores_granularity: 'page' → достоверность по страницам (региональная)
- extract_header / extract_footer: true → захватывает колонтитулы документа
- table_format: 'markdown' → таблицы, отображаемые в формате Markdown
OCR-4 преобразует весь PDF в чистый Markdown, сохраняя:
- Иерархия заголовков (#, ##, ###)
- Таблицы (отображаемые согласно table_format)
- Списки, полужирное/курсивное выделение
- Математические выражения (LaTeX $…$)
- Ссылки на изображения ()
Когда таблицы OCR содержат пустые ячейки, основной риск заключается в том, что отсутствующее значение сдвигает оставшиеся столбцы влево. Самый безопасный подход — дополнить короткие строки перед построением DataFrame, чтобы пустые ячейки оставались на своих местах и не искажали результат.
В этом примере используется таблица со страницы 6 отчета Nvidia 10-Q и показано, что пустые ячейки рассматриваются как пропущенные значения, а не как данные, которые сдвигают соседние столбцы.
OCR-4 возвращает пиксельные координаты для каждого обнаруженного блока.Блоки на уровне абзацев включают: text, title, list, aside_text, caption, references.
Каждый блок абзаца содержит:
План урока
- 0. Настройка
- 1. Вызов API OCR-4
- 2. Вывод в формате Markdown
- 2e. Пятая опция: обработка таблицы на странице 6 с сохранением пустых ячеек
- 3. Ограничивающие рамки на уровне абзацев
Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.