HI ▾

OCR पोस्ट-प्रोसेसिंग के लिए बिना सेंसर LLMhttps://api.llmocrapi.com/v1

llmocrapi.comमार्गदर्शिका

OCR API इंटीग्रेशन: Python और Node में कोड उदाहरण

यहाँ OCR API इंटीग्रेशन का अर्थ है अपने OCR इंजन के बाद एक HTTP कॉल जोड़ना: आप कच्चे मान्यता प्राप्त पाठ भेजते हैं और साफ़ पाठ प्राप्त करते हैं। एंडपॉइंट OpenAI-संगत है, इसलिए वह SDK जो आपके पास पहले से है, दो सेटिंग्स बदलने के बाद काम करता है।

अपडेट किया गया

बिखरे हुए ब्लॉकों को प्रोसेसिंग नोड से गुज़ारकर व्यवस्थित आर्काइव स्टैक में ले जाने वाला आइसोमेट्रिक पाइपलाइन

मुख्य बिंदु

  • बेस URL को https://api.llmocrapi.com/v1 पर सेट करें, मॉडल ID uncensored का उपयोग करें, और अपनी कुंजी Bearer टोकन के रूप में भेजें।
  • API केवल पाठ स्वीकार करता है। पहले अपने OCR इंजन को चलाएँ और उसके आउटपुट को उपयोगकर्ता संदेश के रूप में पास करें।
  • JSON मोड मशीन-पठनीय परिणाम देता है, और 8 वर्कर्स तक का एक छोटा थ्रेड पूल बैच को तेज़ रखती है।
  • 429 प्रतिक्रिया एक संकेत है कि प्रतीक्षा करें और पुनः प्रयास करें, यह विफलता नहीं है: विफल अनुरोधों के लिए शुल्क नहीं लिया जाता है।

पाइपलाइन में कॉल कहाँ फिट होती है

एक सामान्य दस्तावेज़ प्रवाह में चार चरण होते हैं। एक स्कैनर या फ़ोन कैमरा एक छवि बनाता है, एक OCR इंजन उस छवि को कच्चे पाठ में बदलता है, एक सफ़ाई चरण उस पाठ की मरम्मत करता है, और आपका एप्लिकेशन परिणाम को स्टोर या खोजता है। यहाँ वर्णित API तीसरा चरण है। यह छवि को कभी नहीं देखता, और इसमें छवि इनपुट नहीं है। यह एक विशेषता है जब आपको मूल स्कैन की गोपनीयता की चिंता होती है, क्योंकि केवल पाठ आपकी मशीन से बाहर जाता है, और यह एक सीमा है जब आपने एक एंडपॉइंट की उम्मीद की थी जो तस्वीरों को संभालता है।

प्रॉम्प्ट प्रशिक्षण के लिए उपयोग नहीं किए जाते। फिर भी, केवल वही भेजें जिसकी आवश्यकता है: यदि सफ़ाई उन पर निर्भर नहीं करती, तो कॉल से पहले खाता संख्या या नाम हटा दें।

कोड लिखने से पहले, एक API कुंजी प्राप्त करें। नए उपयोगकर्ता साइन अप करने के बाद उस पृष्ठ पर एक क्लिक से $0.50 का मुफ़्त ट्रायल क्रेडिट दावा कर सकते हैं, जो नीचे दिए गए हर उदाहरण को कई बार चलाने के लिए पर्याप्त है। ट्रायल कुंजी 2 समानांतर अनुरोध और प्रति मिनट 60 अनुरोध की अनुमति देती है; एक पूर्ण कुंजी 8 और 300 की अनुमति देती है।

आपको जो सेटिंग्स चाहिए

सेटिंगमान
बेस URLhttps://api.llmocrapi.com/v1
एंडपॉइंटPOST /v1/chat/completions
मॉडल IDuncensored
Auth हेडरAuthorization: Bearer YOUR_KEY
कॉन्टेक्स्ट विंडो100,000 टोकन, प्रॉम्प्ट और कंप्लीशन

कुंजी को एक एन्वायरनमेंट वेरिएबल में स्टोर करें, स्रोत नियंत्रण में कभी नहीं। उदाहरण LLMOCR_API_KEY पढ़ते हैं।

शुरू करने से पहले दो व्यावहारिक नोट। कुंजी को फ़्रंट-एंड कोड से बाहर रखें, क्योंकि ब्राउज़र में भेजी गई हर चीज़ उसके उपयोगकर्ता पढ़ सकते हैं; API को सर्वर या वर्कर से कॉल करें। और जल्दी तय करें कि कच्चा OCR पाठ और सफ़ाई किया गया पाठ कहाँ रहेंगे, क्योंकि सफ़ाई किया गया आउटपुट वह फ़ाइल है जिसे आप खोजेंगे, इंडेक्स करेंगे और लोगों को दिखाएंगे, जबकि कच्चा पाठ आपका सबूत है यदि कभी किसी सुधार पर सवाल उठाया जाए।

curl के साथ पहला रिक्वेस्ट

एक SDK इसे छिपाने से पहले curl से शुरू करें ताकि आप एक अनुरोध का कच्चा स्वरूप देख सकें। नीचे दिया गया नमूना एक सामान्य क्षतिग्रस्त OCR खंड है: एक हाइफ़न लाइन ब्रेक के पार विभाजित, एक अक्षर को अंक के साथ भ्रमित किया गया, और एक अलग पेज नंबर।

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."}
    ]
  }'

प्रतिक्रिया मानक चैट कंप्लीशन फ़ॉर्मेट का अनुसरण करती है। सफ़ाई किया गया पाठ choices[0].message.content में है, और usage कॉल के लिए प्रॉम्प्ट और कंप्लीशन टोकन की रिपोर्ट करता है। सफ़ाई के लिए temperature को 0 पर सेट करें। आप चाहते हैं कि समान इनपुट समान आउटपुट दे, रचनात्मक विविधता नहीं।

OpenAI SDK के साथ Python

SDK को pip install openai के साथ इंस्टॉल करें। एक मानक OpenAI सेटअप से केवल कंस्ट्रक्टर अलग है।

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."))

max_retries तर्क SDK को कनेक्शन त्रुटियों और 429 प्रतिक्रियाओं पर बैकऑफ़ के साथ पुन: प्रयास करने के लिए कहता है, इसलिए हल्के उपयोग के लिए आपको वह लूप स्वयं लिखने की आवश्यकता नहीं है।

Node.js उदाहरण

npm install openai और एक ES मॉड्यूल के साथ, वही कॉल इस तरह दिखती है।

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."));

OpenAI चैट फॉर्मेट को सपोर्ट करने वाली कोई भी चीज़, जैसे कोई नो-कोड ऑटोमेशन टूल या मौजूदा आंतरिक रैपर, वही दो सेटिंग्स का उपयोग कर सकता है। दस्तावेज़ीकरण में हर समर्थित पैरामीटर सूचीबद्ध है।

JSON मोड के साथ संरचित आउटपुट

फ़्री टेक्स्ट आर्काइव के लिए ठीक है, लेकिन डेटा एक्सट्रैक्शन पाइपलाइन को फ़ील्ड्स की आवश्यकता होती है। response_format के साथ JSON मोड चालू करें और प्रॉम्प्ट में आप जो आकार चाहते हैं उसे वर्णित करें। निर्देशों में और सेटिंग दोनों में JSON मांगने से सबसे विश्वसनीय परिणाम मिलते हैं।

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)

json.loads को हमेशा एक try ब्लॉक में लपेटें और कच्चा पाठ रखें, क्योंकि एक बहुत लंबी या कटी हुई प्रतिक्रिया अभी भी अमान्य JSON उत्पन्न कर सकती है। यदि पार्सिंग विफल हो जाती है, तो एक बार पुन: प्रयास करें और पेज को मैन्युअल समीक्षा के लिए कतार में लगाएं।

समानांतर बैच प्रसंस्करण

एक समय में एक अनुरोध हज़ारों पेजों के लिए धीमा है। एक पूर्ण कुंजी 8 समानांतर अनुरोध की अनुमति देती है, इसलिए 6 या 8 वर्कर्स का पूल आपको सीमा के भीतर रखती है। यदि वही कुंजी किसी अन्य चीज़ द्वारा उपयोग की जाती है तो थोड़ा हेडरूम छोड़ दें।

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)

यदि आप सीमा से अधिक जाते हैं, तो API HTTP 429 लौटाता है। त्रुटि कोड rate_limited का अर्थ है प्रति मिनट बहुत सारे अनुरोध, और concurrency का अर्थ है एक साथ बहुत सारे। Retry-After: 5 हेडर के साथ 429 का अर्थ है अस्थायी ओवरलोड: पांच सेकंड प्रतीक्षा करें। स्ट्रीम किए गए अनुरोध स्ट्रीम समाप्त होने तक एक कॉन्करेंसी स्लॉट रखते हैं, इसलिए जिन स्ट्रीम को आप पढ़ना बंद कर देते हैं, उन्हें बंद करें।

लंबे रन के दौरान X-Balance-USD प्रतिक्रिया हेडर पर नज़र रखें। जब यह कम हो जाए, तो रोकें और जॉब को बीच में विफल होने देने के बजाय मूल्य निर्धारण पृष्ठ से टॉप-अप करें।

लंबे दस्तावेज़ और आउटपुट की जाँच

वास्तविक OCR आउटपुट दुर्लभ ही एक साफ़ पेज होता है। एक स्कैन की गई किताब आपको हज़ारों पेज देती है, और क्षति असमान होती है: एक साफ़ अध्याय, फिर एक धब्बेदार पेज टूटे अक्षरों से भरा। कुछ आदतें सफ़ाई चरण को भविष्यवाणी योग्य रखती हैं।

संरचना द्वारा विभाजित करें, अक्षर गणना द्वारा नहीं। पेज ब्रेक या पैराग्राफ सीमाओं पर काटें, ताकि मॉडल कभी भी एक चंक की शुरुआत में आधा वाक्य न मिले। यदि एक वाक्य पेज सीमा के पार चलता है, तो पिछले पेज के अंतिम पैराग्राफ को रीड-ओनली कॉन्टेक्स्ट के रूप में शामिल करें और मॉडल को केवल वर्तमान पेज लौटाने के लिए कहें। इसमें प्रति अनुरोध कुछ अतिरिक्त इनपुट टोकन लागत होती है, जो 1M के लिए $0.15 पर लगभग कुछ नहीं है, और यह दो पेजों पर फैले हाइफ़नेटेड शब्दों को ठीक करता है।

प्रत्येक परिणाम को स्वीकार करने से पहले सस्ते जाँचों से सत्यापित करें। सफ़ाई किए गए पाठ की लंबाई स्रोत से तुलना करें: 1 से बहुत दूर अनुपात का अर्थ है कि मॉडल ने सामग्री छोड़ी या बनाई है। संख्याओं की तुलना करें: दोनों संस्करणों से हर अंक अनुक्रम खींचें और उन पेजों को फ्लैग करें जहाँ वे अलग हैं, क्योंकि तिथियाँ, राशियाँ और पहचानकर्ता छूटने की सबसे महंगी त्रुटियाँ हैं। कच्चे OCR को सफ़ाई किए गए पाठ के बगल में रखें, ताकि एक व्यक्ति हमेशा यह पुनर्निर्माण कर सके कि इंजन ने वास्तव में क्या देखा।

अंत में, पहले रन को एक पायलट के रूप में लें। 20 पेज साफ़ करें, उनमें से दस को स्वयं पढ़ें, और सिस्टम प्रॉम्प्ट को ट्यून करें। आमतौर पर निर्देश में दो या तीन बार संशोधन करने से गुणवत्ता में सुधार होता है, जो किसी भी पैरामीटर बदलाव से अधिक प्रभावी होता है।

सामान्य गलतियाँ

  • बहुत बड़े पेज एक ही टुकड़े में भेजना। विंडो 100,000 टोकन की है और अधिकतम अनुरोध बॉडी 8 MB है, लेकिन पेज-आकार के खंडों के साथ सटीकता बेहतर होती है, और एक विफल खंड को दोहराने की लागत कम होती है।
  • मॉडल से पुनर्लेखन करवाना। यदि प्रॉम्प्ट में तथ्यों को न जोड़ने या न हटाने का निर्देश नहीं है, तो यह एक क्षतिग्रस्त खंड को चिकना कर सकता है। निर्देश स्पष्ट रखें और लंबाई की तुलना करें: एक साफ़ पेज जिसकी लंबाई उसके स्रोत से काफी कम है, उसे देखने योग्य माना जाना चाहिए।
  • गलत मॉडल नाम का उपयोग करना। एकमात्र मॉडल ID uncensored है। मॉडल की सूची GET /v1/models से प्राप्त करें।
  • एम्बेडिंग या छवि इनपुट की उम्मीद करना। इस API पर कोई एम्बेडिंग या छवि इनपुट मौजूद नहीं है। साफ़ पाठ के लिए खोज करने के लिए एक अलग एम्बेडिंग टूल का उपयोग करें।
  • अनुरोध ID लॉग न करना। प्रत्येक प्रतिक्रिया में एक X-Request-Id हेडर होता है। इसे पेज के पास संग्रहीत करें ताकि सहायता खराब परिणाम का पता लगा सके।

सामग्री नियम सरल हैं: मॉडल को वयस्कों के वैध उपयोग के लिए बिना अस्वीकृति के उत्तर देने के लिए ट्यून किया गया है, और नाबालिगों से संबंधित यौन सामग्री की कभी अनुमति नहीं है। किसी विशिष्ट मामले के बारे में प्रश्न सहायता टीम को भेजें।

प्रश्न और उत्तर

क्या मुझे एक विशेष SDK की आवश्यकता है?

नहीं। बेस URL को https://api.llmocrapi.com/v1 पर सेट करने, मॉडल ID uncensored का उपयोग करने और Bearer कुंजी भेजने पर कोई भी OpenAI SDK या HTTP क्लाइंट काम करता है।

क्या मैं एक छवि या PDF सीधे भेज सकता हूँ?

नहीं। API केवल पाठ स्वीकार करता है। पहले एक OCR इंजन चलाएं और संदेश सामग्री के रूप में उसका आउटपुट भेजें।

मैं एक साथ कितने अनुरोध चला सकता हूँ?

एक पूर्ण कुंजी 8 समानांतर अनुरोध और प्रति मिनट 300 अनुरोधों की अनुमति देती है। एक ट्रायल कुंजी 2 समानांतर अनुरोध और प्रति मिनट 60 की अनुमति देती है।

यदि मैं रेट लिमिट पर पहुँच जाता हूँ तो क्या होता है?

आपको HTTP 429 मिलता है जिसमें rate_limited या concurrency कोड होता है। प्रतीक्षा करें और पुनः प्रयास करें; विफल अनुरोधों के लिए चार्ज नहीं किया जाता है।

आपकी कुंजी बस एक फ़ॉर्म दूर है

एक खाता बनाएँ, कुंजी कॉपी करें, बेस URL बदलें। सेटअप यही है।

API कुंजी पाएँ