使用Mistral API提取PDF表格遇阻：OCR无有效返回、Chat API无法访问URL

问题描述 #

使用Mistral Le Chat功能可正常提取PDF表格，但通过API复现时遇到两个问题：

• OCR API调用返回结果为空，仅包含一张图片文件
• Chat Completion API返回提示：I'm unable to directly access or view documents from URLs

原测试代码 #

第一段（OCR API调用） #

from mistralai import Mistral
from mistralai.models import File
import os

api_key = "API_KEY"

client = Mistral(api_key=api_key)

uploaded_pdf = await client.files.upload_async(
        file=File(
            file_name="table.pdf",
            content=open("./table.pdf", "rb").read(),
        ),
        purpose = "ocr",
    )
signed_url = client.files.get_signed_url(file_id=uploaded_pdf.id)
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": signed_url.url,
    }
)

第二段（Chat Completion API调用） #

from mistralai import Mistral
from mistralai.models import File
import os

api_key = "API_KEY"

client = Mistral(api_key=api_key)

uploaded_pdf = await client.files.upload_async(
        file=File(
            file_name="table.pdf",
            content=open("./table.pdf", "rb").read(),
        ),
        purpose = "ocr",
    )
signed_url = client.files.get_signed_url(file_id=uploaded_pdf.id)
# Define the messages for the chat
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "text",
                "text": "Can you extract the data from this table from the PDF given."
            },
            {
                "type": "document_url",
                "document_url": signed_url.url,
            }
        ]
    }
]

# Get the chat response
chat_response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
)

问题排查与解决方案 #

针对OCR API返回空结果的问题 #

1. PDF类型适配：Mistral OCR API仅针对**扫描版PDF（图片型PDF）**生效，若你的PDF是原生可编辑PDF，使用OCR API会无法识别内容，建议改用文档处理流程。
2. 异步方法使用规范：代码中使用upload_async()异步上传方法，但如果运行环境是同步上下文，会导致上传未完成就执行后续操作，返回空结果。需改为同步方法upload()，或在异步函数中运行代码。
3. 参数修正：确保上传文件时purpose设置正确，扫描PDF用"ocr"，原生PDF用"document-processing"。

修正后的OCR API调用代码（同步环境）：

from mistralai import Mistral
from mistralai.models import File
import os

api_key = "API_KEY"

client = Mistral(api_key=api_key)

# 同步上传文件
uploaded_pdf = client.files.upload(
        file=File(
            file_name="table.pdf",
            content=open("./table.pdf", "rb").read(),
        ),
        purpose = "ocr",  # 仅扫描PDF使用该值
    )
signed_url = client.files.get_signed_url(file_id=uploaded_pdf.id)
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": signed_url.url,
    }
)

# 打印结果查看
print(ocr_response.text)

针对Chat Completion API无法访问URL的问题 #

1. 文件引用方式错误：Mistral Chat Completion API不支持通过document_url传递文件，需直接使用上传后的file_id引用文件。
2. Purpose参数错误：上传文件时purpose应设置为"document-processing"，而非"ocr"，否则模型无法读取文件内容。

修正后的Chat Completion API调用代码：

from mistralai import Mistral
from mistralai.models import File
import os

api_key = "API_KEY"

client = Mistral(api_key=api_key)

# 上传文件，purpose设置为document-processing
uploaded_pdf = client.files.upload(
        file=File(
            file_name="table.pdf",
            content=open("./table.pdf", "rb").read(),
        ),
        purpose = "document-processing",
    )

# 消息中直接使用file_id引用文件
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "text",
                "text": "提取这份PDF中的表格数据，以结构化格式返回。"
            },
            {
                "type": "file",
                "file_id": uploaded_pdf.id
            }
        ]
    }
]

chat_response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
)

# 打印提取结果
print(chat_response.choices[0].message.content)

内容的提问来源于stack exchange，提问作者Shelly Liu