llmocrapi.comGuía
Integración de la API de OCR: Ejemplos de código en Python y Node
Una integración de API de OCR aquí significa agregar una llamada HTTP después de tu motor de OCR: envías el texto reconocido en bruto y obtienes texto limpio. El endpoint es compatible con OpenAI, por lo que el SDK que probablemente ya tienes funciona después de cambiar dos configuraciones.
Actualizado

Puntos clave
- Configura la base URL en https://api.llmocrapi.com/v1, usa el ID de modelo uncensored y envía tu clave como token Bearer.
- La API solo acepta texto. Ejecuta primero tu motor de OCR y pasa su salida como el mensaje del usuario.
- El modo JSON devuelve resultados legibles por máquina, y un pequeño grupo de hilos de hasta 8 workers mantiene un lote rápido.
- Una respuesta 429 es una señal para esperar y reintentar, no un fallo: las peticiones fallidas no se cobran.
Dónde encaja la llamada en un pipeline
Un flujo de documentos típico tiene cuatro pasos. Un escáner o cámara de teléfono produce una imagen, un motor OCR convierte la imagen en texto sin formato, un paso de limpieza repara ese texto y tu aplicación almacena o busca el resultado. La API descrita aquí es el paso tres. Nunca ve la imagen y no acepta imágenes. Esto es una ventaja cuando te preocupa la privacidad de los escaneos originales, porque solo el texto sale de tu máquina, y una limitación cuando esperabas un único endpoint que gestione imágenes.
Los prompts no se usan para entrenamiento. Aún así, envía solo lo que necesita la tarea: elimina números de cuenta o nombres antes de la llamada si la limpieza no depende de ellos.
Antes de escribir código, consigue una clave de API. Los nuevos usuarios pueden reclamar $0.50 de crédito de prueba con un clic en esa página después de registrarse, lo cual es suficiente para ejecutar cada ejemplo de los que siguen muchas veces. La clave de prueba permite 2 peticiones simultáneas y 60 peticiones por minuto; una clave completa permite 8 y 300.
Configuraciones que necesitas
| Ajuste | Valor |
|---|---|
| URL base | https://api.llmocrapi.com/v1 |
| Endpoint | POST /v1/chat/completions |
| ID del modelo | uncensored |
| Cabecera de autenticación | Authorization: Bearer YOUR_KEY |
| Ventana de contexto | 100.000 tokens, prompt más completación |
Almacena la clave en una variable de entorno, nunca en el control de código fuente. Los ejemplos leen LLMOCR_API_KEY.
Dos notas prácticas antes de comenzar. Mantén la clave fuera del código front-end, ya que cualquier cosa enviada a un navegador puede ser leída por sus usuarios; llama a la API desde un servidor o un worker. Y decide temprano dónde vivirán el texto OCR en bruto y el texto limpio, porque la salida limpia es el archivo que buscarás, indexarás y mostrarás a las personas, mientras que el texto en bruto es tu evidencia si alguna vez se cuestiona una corrección.
Primera petición con curl
Comienza con curl para que puedas ver la forma cruda de una petición antes de que un SDK la oculte. El ejemplo de abajo es un fragmento de OCR dañado típico: un guión dividido en un salto de línea, una letra confundida con un dígito y un número de página extraño.
curl https://api.llmocrapi.com/v1/chat/completions \
-H "Authorization: Bearer $LLMOCR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "uncensored",
"temperature": 0,
"messages": [
{"role": "system", "content": "You repair raw OCR text. Fix broken words, rejoin hyphenated line breaks, remove page numbers. Return only the corrected text."},
{"role": "user", "content": "The inven-\ntory was com1leted on Tuesday.\n\n- 14 -\n\nA second ship-\nment arrived."}
]
}'
La respuesta sigue la forma estándar de finalización de chat. El texto limpio está en choices[0].message.content, y usage informa los tokens de prompt y completado para la llamada. Configura temperature a 0 para la limpieza. Quieres que la misma entrada dé la misma salida, no una variación creativa.
Python con el SDK de OpenAI
Instala el SDK con pip install openai. Solo el constructor difiere de una configuración estándar de OpenAI.
import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.llmocrapi.com/v1",
api_key=os.environ["LLMOCR_API_KEY"],
max_retries=4,
)
SYSTEM = (
"You repair raw OCR text. Fix broken words, rejoin hyphenated line breaks, "
"remove page numbers and running headers. Do not add or remove facts. "
"Return only the corrected text."
)
def clean(raw: str) -> str:
resp = client.chat.completions.create(
model="uncensored",
temperature=0,
messages=[
{"role": "system", "content": SYSTEM},
{"role": "user", "content": raw},
],
)
return resp.choices[0].message.content
print(clean("The inven-\ntory was com1leted on Tuesday."))
El argumento max_retries indica al SDK que reintente en errores de conexión y respuestas 429 con retroceso, así que no necesitas escribir ese bucle tú mismo para un uso ligero.
Ejemplo en Node.js
Con npm install openai y un módulo ES, la misma llamada se ve así.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api.llmocrapi.com/v1",
apiKey: process.env.LLMOCR_API_KEY,
});
export async function clean(raw) {
const resp = await client.chat.completions.create({
model: "uncensored",
temperature: 0,
messages: [
{ role: "system", content: "Repair raw OCR text. Return only the corrected text." },
{ role: "user", content: raw },
],
});
return resp.choices[0].message.content;
}
console.log(await clean("A second ship-\nment arrived."));
Cualquier cosa que hable el formato de chat de OpenAI, como una herramienta de automatización sin código o un wrapper interno existente, puede usar las mismas dos configuraciones. La documentación enumera todos los parámetros admitidos.
Salida estructurada con modo JSON
El texto libre está bien para archivos, pero los pipelines de extracción de datos necesitan campos. Activa el modo JSON con response_format y describe la forma que quieres en el prompt. Pedir JSON en las instrucciones además de en la configuración da los resultados más confiables.
import json
resp = client.chat.completions.create(
model="uncensored",
temperature=0,
response_format={"type": "json_object"},
messages=[
{"role": "system", "content": (
"Clean the OCR text of a receipt and answer in JSON with keys "
"'vendor' (string), 'date' (YYYY-MM-DD or null), 'total' (number or null), "
"'cleaned_text' (string)."
)},
{"role": "user", "content": raw_receipt_text},
],
)
data = json.loads(resp.choices[0].message.content)
Envuelve siempre json.loads en un bloque try y mantén el texto en bruto, porque una respuesta muy larga o truncada aún puede producir JSON inválido. Si el análisis falla, reintenta una vez y luego pon la página en cola para revisión manual.
Procesamiento de un lote en paralelo
Una sola petición a la vez es lenta para miles de páginas. Una clave completa permite 8 peticiones simultáneas, por lo que un grupo de 6 u 8 workers te mantiene por debajo del límite. Deja un poco de margen si la misma clave la usa algo más.
from concurrent.futures import ThreadPoolExecutor
pages = [open(f"ocr/page_{i:04d}.txt").read() for i in range(1, 501)]
with ThreadPoolExecutor(max_workers=6) as pool:
cleaned = list(pool.map(clean, pages))
for i, text in enumerate(cleaned, start=1):
open(f"clean/page_{i:04d}.txt", "w").write(text)
Si superas el límite, la API devuelve HTTP 429. El código de error rate_limited significa demasiadas peticiones por minuto, y concurrency significa demasiadas a la vez. Un 429 con un encabezado Retry-After: 5 significa sobrecarga temporal: espera cinco segundos. Las peticiones en streaming mantienen un espacio de concurrencia hasta que termina el flujo, así que cierra los flujos que dejes de leer.
Vigila el encabezado de respuesta X-Balance-USD en ejecuciones largas. Cuando se agote, pausa y recarga desde la página de precios en lugar de dejar que el trabajo falle a mitad de camino.
Documentos largos y verificación de la salida
La salida de OCR real rara vez es una sola página ordenada. Un libro escaneado te da miles de páginas, y el daño es desigual: un capítulo limpio, luego una página manchada llena de caracteres rotos. Algunos hábitos mantienen el paso de limpieza predecible.
Divide por estructura, no por cantidad de caracteres. Corta en saltos de página o límites de párrafo, para que el modelo nunca reciba media oración al inicio de un fragmento. Si una oración se extiende más allá del límite de página, incluye el último párrafo de la página anterior como contexto de solo lectura y dile al modelo que devuelva solo la página actual. Eso cuesta algunos tokens de entrada adicionales por petición, lo cual es casi nada a $0.15 por 1M, y soluciona las palabras con guiones que se extienden por dos páginas.
Verifica cada resultado con comprobaciones baratas antes de aceptarlo. Compara la longitud del texto limpio con la fuente: una relación muy distinta a 1 significa que el modelo eliminó o inventó material. Compara números: extrae cada secuencia de dígitos de ambas versiones y marca las páginas donde difieren, ya que las fechas, cantidades e identificadores son los errores más costosos de pasar por alto. Mantén el OCR en bruto junto con el texto limpio, para que una persona pueda reconstruir siempre lo que realmente vio el motor.
Finalmente, trata la primera ejecución como una prueba piloto. Limpia 20 páginas, lee diez de ellas tú mismo y ajusta el prompt del sistema. Usualmente dos o tres rondas de ediciones a la instrucción hacen más por la calidad que cualquier cambio de parámetro.
Errores comunes
- Enviar páginas muy grandes en una sola pieza. La ventana es de 100.000 tokens y el cuerpo máximo de la petición es de 8 MB, pero la precisión es mejor con fragmentos del tamaño de una página, y un fragmento fallido cuesta menos rehacerlo.
- Dejar que el modelo reescriba. Si el prompt no dice que no añada ni elimine hechos, puede suavizar un pasaje dañado. Mantén la instrucción explícita y compara longitudes: una página limpia que es mucho más corta que su fuente merece una mirada.
- Usar el nombre de modelo incorrecto. El único ID de modelo es
uncensored. Puedes listar modelos conGET /v1/models. - Esperar embeddings o entrada de imagen. Ninguno existe en esta API. Para búsqueda sobre texto limpio, usa una herramienta de embedding separada.
- Olvidar registrar el ID de petición. Cada respuesta incluye un encabezado
X-Request-Id. Almacénalo junto a la página para que soporte pueda rastrear un resultado malo.
Las reglas de contenido son simples: el modelo está ajustado para responder sin rechazos para uso adulto lícito, y el contenido sexual que involucre a menores nunca está permitido. Las preguntas sobre un caso específico van a soporte.
Más guías
Preguntas y respuestas
¿Necesito un SDK especial?
No. Cualquier SDK de OpenAI o cliente HTTP funciona una vez que configuras la URL base en https://api.llmocrapi.com/v1, usas el ID de modelo uncensored y envías una clave Bearer.
¿Puedo enviar una imagen o PDF directamente?
No. La API solo acepta texto. Ejecuta primero un motor de OCR y envía su salida como contenido del mensaje.
¿Cuántas peticiones puedo ejecutar a la vez?
Una clave completa permite 8 peticiones simultáneas y 300 peticiones por minuto. Una clave de prueba permite 2 peticiones simultáneas y 60 por minuto.
¿Qué pasa si supero el límite de peticiones?
Obtienes HTTP 429 con el código rate_limited o concurrency. Espera y reintenta; las peticiones fallidas no se cobran.
Tu clave está a un formulario de distancia
Crea una cuenta, copia la clave, cambia la URL base. Esa es toda la configuración.