llmocrapi.comGids
OCR API-integratie: codevoorbeelden in Python en Node
Een OCR API-integratie betekent hier het toevoegen van één HTTP-verzoek na je OCR-engine: je stuurt de ruwe herkende tekst en krijgt opgeschoonde tekst terug. Het endpoint is OpenAI-compatibel, dus de SDK die je waarschijnlijk al hebt, werkt nadat je twee instellingen wijzigt.
Bijgewerkt

Belangrijkste punten
- Stel de base URL in op https://api.llmocrapi.com/v1, gebruik de model ID uncensored en verstuur je sleutel als Bearer-token.
- De API accepteert alleen tekst. Voer eerst je OCR-engine uit en geef de uitvoer door als het gebruikersbericht.
- JSON-modus retourneert machine-leesbare resultaten, en een kleine threadpool met maximaal 8 workers houdt een batch snel.
- Een 429-response is een signaal om te wachten en opnieuw te proberen, geen fout: mislukte verzoeken worden niet in rekening gebracht.
Waar het verzoek past in een pipeline
Een typische documentstroom heeft vier stappen. Een scanner of telefooncamera maakt een afbeelding, een OCR-engine zet de afbeelding om in ruwe tekst, een opruimstap repareert die tekst, en je applicatie slaat het resultaat op of doorzoekt het. De hier beschreven API is stap drie. Het ziet de afbeelding nooit en heeft geen afbeeldingsinput. Dit is een voordeel als je om de privacy van de originele scans geeft, omdat alleen tekst je machine verlaat, en een beperking als je een enkel endpoint verwachtte die foto's afhandelt.
Prompts worden niet gebruikt voor training. Stuur echter alleen wat de taak vereist: verwijder accountnummers of namen voor het verzoek als de opschoning niet ervan afhankelijk is.
Voordat je code schrijft, haal een API-sleutel op. Nieuwe gebruikers kunnen $0,50 aan proeftegoed claimen met één klik op die pagina na het aanmelden, wat genoeg is om elk onderstaand voorbeeld veel keer uit te voeren. De proefsleutel staat 2 gelijktijdige verzoeken en 60 verzoeken per minuut toe; een volledige sleutel staat 8 en 300 toe.
Instellingen die je nodig hebt
| Instelling | Waarde |
|---|---|
| Basis-URL | https://api.llmocrapi.com/v1 |
| Endpoint | POST /v1/chat/completions |
| Model-ID | uncensored |
| Auth-header | Authorization: Bearer YOUR_KEY |
| Contextvenster | 100.000 tokens, prompt plus voltooiing |
Sla de sleutel op in een omgevingsvariabele, nooit in source control. De voorbeelden lezen LLMOCR_API_KEY.
Twee praktische opmerkingen voordat je begint. Houd de sleutel buiten frontend-code, omdat alles wat naar een browser wordt gestuurd door gebruikers gelezen kan worden; roep de API aan vanaf een server of worker. En beslis vroeg waar ruwe OCR-tekst en opgeschoonde tekst zullen blijven, omdat de opgeschoonde uitvoer het bestand is dat je zult doorzoeken, indexeren en aan mensen zult tonen, terwijl de ruwe tekst je bewijs is als een correctie ooit in twijfel wordt getrokken.
Eerste verzoek met curl
Begin met curl zodat je de ruwe vorm van een verzoek kunt zien voordat een SDK het verbergt. Het voorbeeld hieronder is een typisch beschadigd OCR-fragment: een koppelteken dat over een regelonderbreking is verdeeld, een letter die verward is met een cijfer, en een los paginanummer.
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."}
]
}'
Het antwoord volgt de standaard chat-completie-indeling. De opgeschoonde tekst staat in choices[0].message.content, en usage rapporteert de prompt- en completion-tokens voor het verzoek. Stel temperature in op 0 voor opruiming. Je wilt dat dezelfde input dezelfde output geeft, geen creatieve variatie.
Python met de OpenAI SDK
Installeer de SDK met pip install openai. Alleen de constructor verschilt van een standaard OpenAI-setup.
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."))
Het argument max_retries vertelt de SDK om opnieuw te proberen bij verbindingsfouten en 429-responses met backoff, zodat je die lus niet zelf hoeft te schrijven voor licht gebruik.
Node.js-voorbeeld
Met npm install openai en een ES-module ziet hetzelfde verzoek er als volgt uit.
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."));
Alles wat het OpenAI-chatformaat spreekt, zoals een no-code automatiseringshulpmiddel of een bestaande interne wrapper, kan dezelfde twee instellingen gebruiken. De documentatie vermeldt elke ondersteunde parameter.
Gestructureerde uitvoer met JSON-modus
Vrije tekst is prima voor archieven, maar data-extractiepijplijnen hebben velden nodig. Zet JSON-modus aan met response_format en beschrijf de vorm die je wilt in de prompt. Vragen om JSON in de instructies én in de instelling geeft de meest betrouwbare resultaten.
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)
Zet json.loads altijd in een try-blok en houd de ruwe tekst, omdat een zeer lange of afgekapte antwoord nog steeds ongeldige JSON kan produceren. Als parseren mislukt, probeer dan één keer opnieuw en zet de pagina in de wachtrij voor handmatige beoordeling.
Een batch parallel verwerken
Een enkel verzoek tegelijk is langzaam voor duizenden pagina's. Een volledige sleutel staat 8 gelijktijdige verzoeken toe, dus een pool van 6 of 8 workers houdt je onder de limiet. Laat wat marge over als dezelfde sleutel door iets anders wordt gebruikt.
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)
Als je de limiet toch overschrijdt, retourneert de API HTTP 429. De foutcode rate_limited betekent te veel verzoeken per minuut, en concurrency betekent te veel tegelijk. Een 429 met een Retry-After: 5-header betekent tijdelijke overbelasting: wacht vijf seconden. Gestreamde verzoeken houden een concurrency-slot vast tot de stream eindigt, dus sluit streams die je stopt met lezen.
Houd de X-Balance-USD-responseheader in de gaten bij lange runs. Wanneer die laag wordt, pauzeer en laad op van de prijzenpagina in plaats van het werk halverwege te laten falen.
Lange documenten en de uitvoer controleren
Echte OCR-uitvoer is zelden één nette pagina. Een gescand boek geeft je duizenden pagina's, en de schade is ongelijkmatig: een schoon hoofdstuk, dan een bevlekte pagina vol gebroken karakters. Een paar gewoonten houden de opschoningsstap voorspelbaar.
Splits op structuur, niet op tekenaantal. Knip bij pagina-einden of alinea-grenzen, zodat het model nooit een halve zin ontvangt aan het begin van een chunk. Als een zin over een paginagrens loopt, neem dan de laatste alinea van de vorige pagina mee als read-only context en vertel het model om alleen de huidige pagina terug te geven. Dat kost een paar extra input-tokens per verzoek, wat bij $0,15 per 1M bijna niets is, en het lost de woorden met koppeltekens op die over twee pagina's lopen.
Verifieer elk resultaat met goedkope checks voordat je het accepteert. Vergelijk de lengte van de opgeschoonde tekst met de bron: een verhouding ver van 1 betekent dat het model materiaal heeft weggelaten of verzonnen. Vergelijk getallen: haal elke cijferreeks uit beide versies en markeer pagina's waar ze verschillen, omdat data, bedragen en identificatoren de duurste fouten zijn om te missen. Houd de ruwe OCR naast de opgeschoonde tekst, zodat een persoon altijd kan reconstrueren wat de engine daadwerkelijk zag.
Behandel de eerste run tot slot als een proef. Maak 20 pagina's op, lees er tien van jezelf en pas de systeemprompt aan. Meestal doen twee of drie rondes bewerkingen van de instructie meer voor de kwaliteit dan elke parameterwijziging.
Veelgemaakte fouten
- Zeer grote pagina's in één stuk verzenden. Het venster is 100.000 tokens en de maximale requestbody is 8 MB, maar de nauwkeurigheid is beter met pagina-grote chunks, en een mislukte chunk kost minder om opnieuw te doen.
- Het model laten herschrijven. Als de prompt niet aangeeft dat het geen feiten mag toevoegen of verwijderen, kan het een beschadigde passage gladstrijken. Houd de instructie expliciet en vergelijk lengtes: een opgeschoonde pagina die veel korter is dan zijn bron verdient een kijkje.
- De verkeerde modelnaam gebruiken. De enige model-ID is
uncensored. Je kunt modellen opsommen metGET /v1/models. - Embeddings of afbeeldingsinput verwachten. Geen van beide bestaat op deze API. Voor zoeken in opgeschoonde tekst, gebruik je een aparte embeddingtool.
- Het verzoek-id vergeten te loggen. Elke response bevat een
X-Request-Id-header. Sla het op naast de pagina zodat support een slecht resultaat kan traceren.
Inhoudsregels zijn eenvoudig: het model is afgestemd om zonder weigeringen te antwoorden voor legaal gebruik door volwassenen, en seksuele inhoud waarbij minderjarigen betrokken zijn is nooit toegestaan. Vragen over een specifiek geval gaan naar support.
Meer handleidingen
Vragen en antwoorden
Heb ik een speciale SDK nodig?
Nee. Elke OpenAI SDK of HTTP-client werkt zodra je de base URL instelt op https://api.llmocrapi.com/v1, de model ID uncensored gebruikt en een Bearer-sleutel verstuurt.
Kan ik een afbeelding of PDF direct versturen?
Nee. De API accepteert alleen tekst. Voer eerst een OCR-engine uit en verstuur de uitvoer als berichtinhoud.
Hoeveel verzoeken kan ik tegelijk uitvoeren?
Een volledige sleutel staat 8 gelijktijdige requests en 300 requests per minuut toe. Een trialsleutel staat 2 gelijktijdige requests en 60 per minuut toe.
Wat gebeurt er als ik een rate limit raak?
Je krijgt HTTP 429 met de code rate_limited of concurrency. Wacht en probeer opnieuw; mislukte verzoeken worden niet in rekening gebracht.
Je sleutel is nog maar één formulier verwijderd
Maak een account aan, kopieer de sleutel, pas de base URL aan. Dat is de hele setup.