llmocrapi.comPrzewodnik
Integracja OCR API: Przykłady kodu w Pythonie i Node
Integracja OCR API oznacza tutaj dodanie jednego wywołania HTTP po Twoim silniku OCR: wysyłasz rozpoznany tekst i otrzymujesz oczyszczony tekst. Endpoint jest kompatybilny z OpenAI, więc SDK, które prawdopodobnie już masz, zadziała po zmianie dwóch ustawień.
Zaktualizowano

Kluczowe punkty
- Ustaw Base URL na https://api.llmocrapi.com/v1, użyj ID modelu uncensored i wyślij swój klucz jako token Bearer.
- API przyjmuje tylko tekst. Najpierw uruchom swój silnik OCR i przekaż jego wynik jako wiadomość użytkownika.
- Tryb JSON zwraca wyniki czytelne dla maszyn, a mała pula wątków do 8 workerów utrzymuje szybkość partii.
- Odpowiedź 429 to sygnał do oczekiwania i ponownej próby, a nie awaria: nieudane zapytania nie są rozliczane.
Gdzie pasuje wywołanie do potoku
Typowy przepływ dokumentów ma cztery kroki. Skaner lub aparat telefonu tworzy obraz, silnik OCR zamienia obraz na surowy tekst, krok czyszczenia naprawia ten tekst, a Twoja aplikacja przechowuje lub przeszukuje wynik. Opisane tutaj API jest krokiem trzecim. Nigdy nie widzi obrazu i nie ma wejścia obrazu. Jest to zaleta, gdy zależy Ci na prywatności oryginalnych skanów, ponieważ tylko tekst opuszcza Twoją maszynę, i wada, gdy spodziewałeś się jednego endpointu obsługującego zdjęcia.
Prompty nie są używane do trenowania. Nadal wysyłaj tylko to, czego wymaga zadanie: usuń numery kont lub nazwy przed wywołaniem, jeśli czyszczenie od nich nie zależy.
Zanim napiszesz jakikolwiek kod, uzyskaj klucz API. Nowi użytkownicy mogą odebrać $0,50 kredytu próbnego jednym kliknięciem na tej stronie po rejestracji; wystarczy to do wielokrotnego uruchomienia każdego z poniższych przykładów. Klucz próbny pozwala na 2 równoległe zapytania i 60 zapytań na minutę; pełny klucz — na 8 i 300.
Ustawienia, których potrzebujesz
| Ustawienie | Wartość |
|---|---|
| Bazowy URL | https://api.llmocrapi.com/v1 |
| Endpoint | POST /v1/chat/completions |
| ID modelu | uncensored |
| Nagłówek Auth | Authorization: Bearer YOUR_KEY |
| Okno kontekstu | 100 000 tokenów, prompt plus completion |
Przechowuj klucz w zmiennej środowiskowej, nigdy w kontrolce wersji. Przykłady odczytują LLMOCR_API_KEY.
Dwie praktyczne uwagi przed rozpoczęciem. Trzymaj klucz z dala od kodu front-end, ponieważ wszystko wysłane do przeglądarki może być odczytane przez jej użytkowników; wywołuj API z serwera lub workera. I zdecyduj wcześniej, gdzie będą przechowywane surowy tekst OCR i oczyszczony tekst, ponieważ oczyszczony wynik to plik, którego będziesz szukać, indeksować i pokazywać ludziom, podczas gdy surowy tekst to Twój dowód, jeśli korekta zostanie kiedykolwiek zakwestionowana.
Pierwsze zapytanie z curl
Zacznij od curl, aby zobaczyć surowy kształt zapytania zanim SDK je ukryje. Poniższy przykład to typowy uszkodzony fragment OCR: myślnik rozdzielony przez łamanie wiersza, litera mylona z cyfrą i przypadkowy numer strony.
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."}
]
}'
Odpowiedź ma standardowy format chat completion. Oczyszczony tekst znajduje się w choices[0].message.content, a usage raportuje tokeny prompt i completion dla wywołania. Ustaw temperature na 0 dla czyszczenia. Chcesz, aby to samo wejście dawało ten sam wynik, a nie kreatywną wariację.
Python z SDK OpenAI
Zainstaluj SDK za pomocą pip install openai. Tylko konstruktor różni się od standardowego ustawienia 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."))
Argument max_retries mówi SDK, aby ponawiał zapytania przy błędach połączenia i odpowiedziach 429 z backoff, więc nie musisz pisać tej pętli samodzielnie przy lekkim użyciu.
Przykład Node.js
Z npm install openai i modułem ES to samo wywołanie wygląda tak.
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."));
Wszystko, co obsługuje format czatu OpenAI, takie jak narzędzie automatyzacji bez kodu lub istniejący wewnętrzny wrapper, może użyć tych samych dwóch ustawień. Dokumentacja wymienia wszystkie obsługiwane parametry.
Wyjście strukturalne w trybie JSON
Tekst wolny jest dobry dla archiwów, ale potoki ekstrakcji danych potrzebują pól. Włącz tryb JSON z response_format i opisz kształt, którego chcesz w promptcie. Prośba o JSON w instrukcjach oraz w ustawieniu daje najbardziej niezawodne wyniki.
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)
Zawsze owijaj json.loads w bloku try i przechowuj surowy tekst, ponieważ bardzo długa lub ucięta odpowiedź nadal może produkować nieprawidłowy JSON. Jeśli parsowanie się nie powiedzie, spróbuj ponownie raz, a następnie zakolejkuj stronę do ręcznej weryfikacji.
Przetwarzanie partii równolegle
Pojedyncze zapytanie naraz jest wolne dla tysięcy stron. Pełny klucz pozwala na 8 równoległych zapytań, więc pula 6 lub 8 workerów utrzymuje Cię poniżej limitu. Zostaw trochę marginesu bezpieczeństwa, jeśli ten sam klucz jest używany przez coś innego.
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)
Jeśli przekroczysz limit, API zwraca HTTP 429. Kod błędu rate_limited oznacza zbyt wiele zapytań na minutę, a concurrency oznacza zbyt wiele naraz. 429 z nagłówkiem Retry-After: 5 oznacza tymczasowe przeciążenie: poczekaj pięć sekund. Żądania strumieniowe zajmują slot concurrency do końca strumienia, więc zamykaj strumienie, które przestajesz czytać.
Obserwuj nagłówek odpowiedzi X-Balance-USD przy długich uruchomieniach. Gdy stanie się niski, wstrzymaj się i doładuj z strony cenowej zamiast pozwalać zadaniu na niepowodzenie w połowie.
Długie dokumenty i sprawdzanie wyników
Rzeczywisty wynik OCR rzadko jest jedną uporządkowaną stroną. zeskanowana książka daje Ci tysiące stron, a uszkodzenia są nierówne: czysty rozdział, a następnie zabrudzona strona pełna zepsutych znaków. Kilka nawyków utrzymuje krok czyszczenia przewidywalnym.
Dziel według struktury, a nie według liczby znaków. Odcinaj na granicach stron lub akapitów, aby model nigdy nie otrzymał połowy zdania na początku fragmentu. Jeśli zdanie przechodzi przez granicę stron, uwzględnij ostatni akapit poprzedniej strony jako kontekst tylko do odczytu i każ modelowi zwrócić tylko bieżącą stronę. Kosztuje to kilka dodatkowych tokenów wejściowych na żądanie, co przy cenie $0,15 za 1 mln tokenów jest praktycznie niczym, a jednocześnie naprawia słowa z myślnikami, które rozciągają się na dwie strony.
Weryfikuj każdy wynik tanimi sprawdzaniami, zanim go zaakceptujesz. Porównaj długość wyczyszczonego tekstu ze źródłem: stosunek znacznie odbiegający od 1 oznacza, że model pominął lub wymyślił materiał. Porównaj liczby: wyciągnij wszystkie ciągi cyfr z obu wersji i oznacz strony, gdzie się różnią, ponieważ daty, kwoty i identyfikatory to najdroższe błędy do przeoczenia. Zachowaj surowy OCR obok wyczyszczonego tekstu, aby osoba mogła zawsze odtworzyć to, co silnik faktycznie zobaczył.
Na koniec traktuj pierwsze uruchomienie jako pilotaż. Wyczyść 20 stron, przeczytaj dziesięć z nich samodzielnie i dostroj systemowy prompt. Zazwyczaj dwie lub trzy rundy edycji instrukcji dają więcej dla jakości niż jakakolwiek zmiana parametrów.
Typowe błędy
- Wysyłanie bardzo dużych stron w jednym kawałku. Okno kontekstu ma 100 000 tokenów, a maksymalny rozmiar body żądania to 8 MB, ale dokładność jest lepsza przy fragmentach wielkości strony, a nieudany fragment jest tańszy do ponownego przetworzenia.
- Pozwalanie modelowi na przepisywanie. Jeśli prompt nie mówi wyraźnie, aby nie dodawać ani nie usuwać faktów, może wygładzić uszkodzony fragment. Formułuj instrukcję wyraźnie i porównuj długości: wyczyszczona strona, która jest znacznie krótsza niż jej źródło, zasługuje na uwagę.
- Używanie złej nazwy modelu. Jedynym ID modelu jest
uncensored. Możesz wylistować modele za pomocąGET /v1/models. - Spodziewanie się embeddingów lub wejścia obrazu. Żadne nie istnieje w tym API. Do wyszukiwania po oczyszczonym tekście użyj osobnego narzędzia embedding.
- Zapominanie o logowaniu ID zapytania. Każda odpowiedź zawiera nagłówek
X-Request-Id. Przechowuj go obok strony, aby wsparcie mogło prześledzić zły wynik.
Zasady dotyczące treści są proste: model jest dostrojony do odpowiadania bez odmów w przypadku legalnego użytku przez osoby dorosłe, a treści seksualne z udziałem nieletnich są zawsze zabronione. Pytania dotyczące konkretnego przypadku kieruj do wsparcia.
Więcej przewodników
Pytania i odpowiedzi
Czy potrzebuję specjalnego SDK?
Nie. Działa dowolne SDK OpenAI lub klient HTTP, gdy ustawisz Base URL na https://api.llmocrapi.com/v1, użyjesz ID modelu uncensored i wyślesz klucz Bearer.
Czy mogę wysłać obraz lub PDF bezpośrednio?
Nie. API przyjmuje tylko tekst. Najpierw uruchom silnik OCR i wyślij jego wynik jako treść wiadomości.
Ile zapytań mogę uruchomić jednocześnie?
Pełny klucz pozwala na 8 równoległych zapytań i 300 zapytań na minutę. Klucz próbny pozwala na 2 równoległe zapytania i 60 na minutę.
Co się stanie, gdy osiągnę limit zapytań?
Otrzymasz HTTP 429 z kodem rate_limited lub concurrency. Poczekaj i spróbuj ponownie; nieudane zapytania nie są rozliczane.
Twój klucz jest o jeden formularz stąd
Utwórz konto, skopiuj klucz, zmień Base URL. To cała konfiguracja.