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

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
| Configuração | Valor |
|---|---|
| URL base | https://api.llmocrapi.com/v1 |
| Endpoint | POST /v1/chat/completions |
| ID do modelo | uncensored |
| Cabeçalho de autenticação | Authorization: Bearer YOUR_KEY |
| Janela de contexto | 100.000 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 comGET /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.
Mais guias
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.