PT ▾

LLM sem censura para pós-processamento de OCRhttps://api.llmocrapi.com/v1

llmocrapi.comGuia

Integração da API OCR: Exemplos de código em Python e Node

Uma integração de API OCR aqui significa adicionar uma única chamada HTTP após seu mecanismo de OCR: você envia o texto reconhecido bruto e recebe texto limpo de volta. O endpoint é compatível com OpenAI, então o SDK que você provavelmente já tem funciona após alterar duas configurações.

Atualizado

Pipeline isométrico transportando blocos dispersos por um nó de processamento até pilhas de arquivo organizadas

Pontos principais

  • Defina a URL base para https://api.llmocrapi.com/v1, use o ID do modelo uncensored e envie sua chave como token Bearer.
  • A API aceita apenas texto. Execute seu mecanismo de OCR primeiro e passe sua saída como a mensagem do usuário.
  • O modo JSON retorna resultados legíveis por máquina, e um pequeno pool de threads com até 8 workers mantém um lote rápido.
  • Uma resposta 429 é um sinal para aguardar e tentar novamente, não uma falha: as requisições falhas não são cobradas.

Onde a chamada se encaixa em um pipeline

Um fluxo de documento típico tem quatro etapas. Um scanner ou câmera de celular produz uma imagem, um mecanismo de OCR converte a imagem em texto bruto, uma etapa de limpeza repara esse texto e seu aplicativo armazena ou pesquisa o resultado. A API descrita aqui é a terceira etapa. Ela nunca vê a imagem e não possui entrada de imagem. Isso é um recurso quando você se preocupa com a privacidade das digitalizações originais, porque apenas texto sai da sua máquina, e uma limitação quando você esperava um único endpoint que lida com imagens.

Os prompts não são usados para treinamento. Ainda assim, envie apenas o que a tarefa exige: remova números de conta ou nomes antes da chamada se a limpeza não depender deles.

Antes de escrever qualquer código, obtenha uma chave de API. Novos usuários podem reivindicar $0,50 de crédito de teste com um clique nessa página após se registrar, o que é suficiente para executar todos os exemplos abaixo várias vezes. A chave de teste permite 2 requisições simultâneas e 60 requisições por minuto; uma chave completa permite 8 e 300.

Configurações necessárias

ConfiguraçãoValor
URL basehttps://api.llmocrapi.com/v1
EndpointPOST /v1/chat/completions
ID do modelouncensored
Cabeçalho de autenticaçãoAuthorization: Bearer YOUR_KEY
Janela de contexto100.000 tokens, prompt mais conclusão

Armazene a chave em uma variável de ambiente, nunca no controle de origem. Os exemplos leem LLMOCR_API_KEY.

Duas notas práticas antes de começar. Mantenha a chave fora do código front-end, já que qualquer coisa enviada para um navegador pode ser lida pelos seus usuários; chame a API de um servidor ou worker. E decida cedo onde o texto OCR bruto e o texto limpo ficarão, porque a saída limpa é o arquivo que você pesquisará, indexará e mostrará às pessoas, enquanto o texto bruto é sua evidência se uma correção for questionada.

Primeira solicitação com curl

Comece com curl para ver a forma bruta de uma requisição antes que um SDK a oculte. A amostra abaixo é um fragmento de OCR danificado típico: um hífen dividido em uma quebra de linha, uma letra confundida com um dígito e um número de página solto.

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."}
    ]
  }'

A resposta segue o formato padrão de conclusão de chat. O texto limpo está em choices[0].message.content, e usage relata os tokens de prompt e conclusão para a chamada. Defina temperature como 0 para limpeza. Você quer que a mesma entrada produza a mesma saída, não variação criativa.

Python com o SDK OpenAI

Instale o SDK com pip install openai. Apenas o construtor difere de uma configuração padrão da 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."))

O argumento max_retries diz ao SDK para tentar novamente em erros de conexão e respostas 429 com backoff, então você não precisa escrever esse loop manualmente para uso leve.

Exemplo em Node.js

Com npm install openai e um módulo ES, a mesma chamada se parece com isso.

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."));

Qualquer coisa que fale o formato de chat da OpenAI, como uma ferramenta de automação sem código ou um wrapper interno existente, pode usar as mesmas duas configurações. A documentação lista todos os parâmetros suportados.

Saída estruturada com modo JSON

Texto livre é suficiente para arquivos, mas pipelines de extração de dados precisam de campos. Ative o modo JSON com response_format e descreva a estrutura desejada no prompt. Solicitar JSON nas instruções, além de na configuração, oferece os resultados mais confiáveis.

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)

Sempre envolva json.loads em um bloco try e mantenha o texto bruto, porque uma resposta muito longa ou truncada ainda pode produzir JSON inválido. Se a análise falhar, tente novamente uma vez e coloque a página em fila para revisão manual.

Processando um lote em paralelo

Uma única requisição por vez é lenta para milhares de páginas. Uma chave completa permite 8 requisições simultâneas, então um pool de 6 ou 8 workers mantém você abaixo do limite. Deixe uma margem de segurança se a mesma chave for usada por qualquer outra coisa.

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)

Se você ultrapassar o limite, a API retorna HTTP 429. O código de erro rate_limited significa muitas requisições por minuto, e concurrency significa muitas ao mesmo tempo. Um 429 com o cabeçalho Retry-After: 5 significa sobrecarga temporária: aguarde cinco segundos. Requisições em streaming mantêm uma vaga de concorrência até o fim do streaming, então feche os streams que você parar de ler.

Monitore o cabeçalho de resposta X-Balance-USD em execuções longas. Quando ele estiver baixo, faça uma pausa e recarregue a partir da página de preços em vez de deixar a tarefa falhar no meio do caminho.

Documentos longos e verificando a saída

A saída real de OCR raramente é uma página organizada. Um livro digitalizado dá a você milhares de páginas, e o dano é desigual: um capítulo limpo, depois uma página manchada cheia de caracteres quebrados. Alguns hábitos mantêm a etapa de limpeza previsível.

Divida por estrutura, não por contagem de caracteres. Corte em quebras de página ou limites de parágrafo, para que o modelo nunca receba metade de uma frase no início de um bloco. Se uma frase atravessar uma quebra de página, inclua o último parágrafo da página anterior como contexto de leitura apenas e diga ao modelo para retornar apenas a página atual. Isso custa alguns tokens de entrada extras por requisição, que a $0,15 por 1M é quase nada, e corrige as palavras hifenizadas que se estendem por duas páginas.

Verifique cada resultado com verificações baratas antes de aceitá-lo. Compare o comprimento do texto limpo com a fonte: uma proporção longe de 1 significa que o modelo descartou ou inventou material. Compare números: extraia todas as sequências de dígitos de ambas as versões e sinalize páginas onde elas diferem, já que datas, valores e identificadores são os erros mais caros de perder. Mantenha o OCR bruto ao lado do texto limpo, para que uma pessoa possa sempre reconstruir o que o mecanismo realmente viu.

Finalmente, trate a primeira execução como um piloto. Limpe 20 páginas, leia dez delas você mesmo e ajuste o prompt do sistema. Geralmente, duas ou três rodadas de edições na instrução fazem mais pela qualidade do que qualquer alteração de parâmetro.

Erros comuns

  • Enviando páginas muito grandes em um único pedaço. A janela é de 100.000 tokens e o corpo máximo da requisição é 8 MB, mas a precisão é melhor com blocos do tamanho de uma página, e um bloco com falha custa menos para refazer.
  • Deixando o modelo reescrever. Se o prompt não disser para não adicionar ou remover fatos, ele pode suavizar uma passagem danificada. Mantenha a instrução explícita e compare comprimentos: uma página limpa que é muito mais curta que sua fonte merece uma olhada.
  • Usando o nome de modelo errado. O único ID do modelo é uncensored. Você pode listar modelos com GET /v1/models.
  • Esperando embeddings ou entrada de imagem. Nenhum dos dois existe nesta API. Para busca em texto limpo, use uma ferramenta de embeddings separada.
  • Esquecendo de registrar o ID da requisição. Cada resposta inclui um cabeçalho X-Request-Id. Armazene-o ao lado da página para que o suporte possa rastrear um resultado ruim.

As regras de conteúdo são simples: o modelo é ajustado para responder sem recusas para uso adulto legal, e conteúdo sexual envolvendo menores de idade nunca é permitido. Perguntas sobre um caso específico vão para suporte.

Perguntas e respostas

Preciso de um SDK especial?

Não. Qualquer SDK ou cliente HTTP da OpenAI funciona assim que você define a base URL para https://api.llmocrapi.com/v1, usa o ID do modelo uncensored e envia uma chave Bearer.

Posso enviar uma imagem ou PDF diretamente?

Não. A API aceita apenas texto. Execute um mecanismo de OCR primeiro e envie sua saída como conteúdo da mensagem.

Quantas requisições posso executar simultaneamente?

Uma chave completa permite 8 requisições simultâneas e 300 requisições por minuto. Uma chave de teste permite 2 requisições simultâneas e 60 por minuto.

O que acontece se eu atingir um limite de taxa?

Você recebe HTTP 429 com o código rate_limited ou concurrency. Aguarde e tente novamente; as requisições falhas não são cobradas.

Sua chave está a um formulário de distância

Crie uma conta, copie a chave e altere a URL base. Essa é toda a configuração.

Obter chave de API