什么是 Mistral OCR PDF 提取？

此技能利用 Mistral OCR API 提供高保真文档理解能力，能够处理数字和扫描版 PDF。它旨在填补非结构化文档与 LLM 就绪数据之间的空白，使其成为 Openclaw Skills 生态系统中开发 RAG 系统或文档处理流水线的开发者必备组件。

通过自动化提取文本、表格和图像，它确保您的 AI 代理能够访问任何文档的完整上下文。该技能处理文件上传、API 通信和输出整理的复杂性，为文档智能提供开发者友好的接口。

下载入口:https://github.com/openclaw/skills/tree/main/skills/tristanmanchester/extracting-mistral-ocr

安装与下载

1. ClawHub CLI

从源直接安装技能的最快方式。

2. 手动安装

将技能文件夹复制到以下位置之一

优先级：工作区 > 本地 > 内置

3. 提示词安装

将此提示词复制到 OpenClaw 即可自动安装。

Mistral OCR PDF 提取 应用场景

• 将扫描的 PDF 文档转换为可搜索的 Markdown，用于 RAG 应用。
• 使用自定义标注提示词提取结构化数据，如发票总额或合同日期。
• 解析复杂的多页报告，同时保留表格结构和视觉元素。
• 自动化需要高精度光学字符识别的文档摄取流水线。

1. 脚本识别输入源，支持本地文件路径和公开 URL。
2. 本地文件会自动上传到 Mistral Files API，以生成用于处理的唯一文件 ID。
3. OCR 请求发送至 Mistral，并带有针对表格格式化和图像提取的特定配置参数。
4. API 处理文档并返回详细响应，包括页面级 Markdown、元数据和可选标注。
5. 该技能将输出整理到结构化目录中，包含全文、单页文件和任何提取的资源。

Mistral OCR PDF 提取 配置指南

确保您拥有有效的 Mistral API 密钥，并安装了 Python 3.9+ 及 mistralai 包。此工具是 Openclaw Skills 集合的核心部分。

# 设置环境变量
export MISTRAL_API_KEY='your_api_key_here'

# 运行提取脚本
python scripts/mistral_ocr_extract.py --input path/to/file.pdf --out out/ocr

Mistral OCR PDF 提取 数据架构与分类体系

该技能生成具有以下结构的确定性输出文件夹，以确保与下游 Openclaw Skills 的兼容性：

name: extracting-mistral-ocr
description: >-
  Extracts text, tables, and images from PDFs (including scanned PDFs) using the Mistral OCR API.
  Use when user asks to OCR a PDF/image, extract text from a PDF, parse a scanned document,
  convert a PDF to Markdown, or extract structured fields from a document.
compatibility: >-
  Requires network access and a MISTRAL_API_KEY environment variable. Expects Python 3.9+ and the mistralai package.
allowed-tools: "Read,Write,Bash(python:*)"
metadata:
  author: generated-by-chatgpt
  version: 0.1.0
  api: mistral
  default-model: mistral-ocr-latest

Mistral OCR PDF extraction

Quick start (default)

Run the bundled script to OCR a local PDF and write Markdown + JSON outputs:

python {baseDir}/scripts/mistral_ocr_extract.py --input path/to/file.pdf --out out/ocr

Output directory layout:

• combined.md (all pages concatenated)
• pages/page-000.md (per-page markdown)
• raw_response.json (full OCR response)
• images/ (decoded embedded images, if requested)
• tables/ (separate tables, if requested)

Workflow

1. Pick input mode

   • Local PDF (most common): upload via Files API, then OCR via file_id.
   • Public URL: OCR directly via document_url.

2. Choose output fidelity (defaults are safe for RAG)

   • Keep table_format=inline unless the user explicitly wants tables split out.
   • Set --include-image-base64 when the user needs figures/diagrams extracted.
   • Use --extract-header/--extract-footer if header/footer noise hurts downstream search.

3. Run OCR

   • Use scripts/mistral_ocr_extract.py to produce a deterministic on-disk artefact set.

4. (Optional) Structured extraction from the whole document

   • If the user wants fields (invoice totals, contract parties, etc.), provide an annotation prompt.
   • The OCR API can return a document-level document_annotation in addition to page markdown.

   Example:

   python {baseDir}/scripts/mistral_ocr_extract.py r
     --input invoice.pdf r
     --out out/invoice r
     --annotation-prompt "Extract supplier_name, invoice_number, invoice_date (ISO-8601), currency, total_amount. Return JSON." r
     --annotation-format json_object
   

Decision rules

• If the PDF is local and not publicly accessible, upload it (the script does this automatically).
• If the PDF URL is private or requires authentication, do not pass it as document_url; upload instead.
• If output quality is critical, prefer table_format=html for downstream parsing over brittle regex.

Common failure modes

• Missing MISTRAL_API_KEY: set it in the environment before running.
• URL OCR fails: the URL likely is not publicly accessible; upload the file.
• Large files: upload supports large files, but very large PDFs may need page selection (--pages) or batch processing.

References

• API + parameters: references/mistral_ocr_api.md
• Output mapping rules (placeholders to extracted images/tables): references/output_mapping.md
• Example annotation prompts for common document types: references/annotation_prompts.md