Mistral OCR API を使って PDF からテキストを抽出する

はじめに

Mistral OCR API を利用して、ローカルの PDF からテキストを抽出し、Markdown 形式で保存する方法を紹介します。

Mistral OCR は、レイアウトを保持したままテキストを取得できる高精度な OCR エンジンです。本記事では、ローカルの PDF をアップロードし、OCR 解析を実行し、取得したテキストを保存する Python スクリプトを解説します。

必要なライブラリのインストール

まず、Mistral の Python SDK をインストールします。

pip install mistralai

OCR スクリプト

以下の Python スクリプトを実行することで、PDF を Mistral OCR にアップロードし、OCR 処理を行い、テキストを Markdown 形式で取得できます。

スクリプト全体

import os
from mistralai import Mistral

# APIキーの取得（本当は環境変数から取得するのが推奨）
api_key = ""
if not api_key:
    raise ValueError("MISTRAL_API_KEYが設定されていません")

# Mistral APIクライアントの作成
client = Mistral(api_key=api_key)

# ローカルPDFのパス
pdf_path = ""

# PDFをMistralにアップロード
uploaded_pdf = client.files.upload(
    file={
        "file_name": "",
        "content": open(pdf_path, "rb"),
    },
    purpose="ocr"
)

# アップロードしたPDFのサイン付きURLを取得
signed_url = client.files.get_signed_url(file_id=uploaded_pdf.id)

# OCR処理を実行
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": signed_url.url,
    }
)

# OCRの結果を取得（最初のページのmarkdown形式テキスト）
ocr_text = ocr_response.pages[0].markdown if ocr_response.pages else ""

# 抽出されたテキストを保存
output_txt_path = ""
with open(output_txt_path, "w", encoding="utf-8") as f:
    f.write(ocr_text)

print(f"OCR結果を {output_txt_path} に保存しました。")

スクリプトの流れ

1. APIキーを取得

   • api_key に Mistral の API キーを設定します。

2. PDFをアップロード

   • client.files.upload() を使用して Mistral のサーバーに PDF をアップロードします。

3. サイン付きURLを取得

   • client.files.get_signed_url() で、アップロードした PDF の URL を取得します。

4. OCR処理を実行

   • client.ocr.process() で OCR を実行します。
   • model="mistral-ocr-latest" を指定して、最新の OCR モデルを利用します。

5. OCR結果を取得し保存

   • ocr_response.pages[0].markdown から、最初のページのテキストを取得します。
   • output.txt に OCR 結果を保存します。

実行方法

PowerShell またはターミナルで以下を実行します。

python ocr_mistral.py

実行後、output.txt に OCR 結果が保存されます。

まとめ

Mistral OCR API を使用すれば、簡単にローカルの PDF を OCR 解析し、Markdown 形式でテキストを取得できます。

ポイント:

• Mistral API を使って PDF をアップロード
• OCR 結果を取得し、Markdown 形式で保存
• Python で簡単に実装可能

興味があれば、ぜひ試してみてください！ 🚀

参考

時間があれば

以下で作ってみたいところ。

フロントエンド：React + Tailwind CSS
バックエンド：FastAPI（Python）
OCR処理：Mistral OCR API
ストレージ：ローカル