llmocrapi.comคู่มือ
การผสาน API OCR: ตัวอย่างโค้ด Python และ Node
การผสาน API OCR ในที่นี้หมายถึงการเพิ่ม HTTP call หนึ่งครั้งหลังจาก OCR engine: คุณส่งข้อความดิบที่รู้จำได้และรับข้อความที่สะอาดกลับ เอนด์พอยต์นี้เข้ากันได้กับ OpenAI ดังนั้น SDK ที่มีอยู่แล้วจึงใช้งานได้หลังจากเปลี่ยนการตั้งค่าสองอย่าง
อัปเดต

ประเด็นสำคัญ
- ตั้งค่า base URL เป็น https://api.llmocrapi.com/v1 ใช้ model ID uncensored และส่งคีย์ของคุณเป็น Bearer token
- API รับเฉพาะข้อความ ให้รัน OCR engine ของคุณก่อนแล้วส่งผลลัพธ์เป็น user message
- โหมด JSON ส่งผลลัพธ์ที่เครื่องอ่านได้ และ thread pool ขนาดเล็กที่มี worker สูงสุด 8 ตัวช่วยให้แบทช์ทำงานเร็ว
- การตอบกลับ 429 เป็นสัญญาณให้รอและลองใหม่ ไม่ใช่ความล้มเหลว: คำขอที่ล้มเหลวจะไม่คิดเงิน
ตำแหน่งที่การเรียกใช้อยู่ใน pipeline
การไหลของเอกสารทั่วไปมีสี่ขั้นตอน: เครื่องสแกนหรือกล้องโทรศัพท์สร้างภาพ, OCR engine แปลงภาพเป็นข้อความดิบ, ขั้นตอนการทำความสะอาดซ่อมแซมข้อความนั้น, และแอปพลิเคชันของคุณจัดเก็บหรือค้นหาผลลัพธ์ API ที่อธิบายที่นี่คือขั้นตอนที่สาม API นี้ไม่เห็นภาพเลย และไม่มีอินพุตภาพ นี่เป็นฟีเจอร์เมื่อคุณให้ความสำคัญกับความเป็นส่วนตัวของการสแกนต้นฉบับ เพราะมีเพียงข้อความที่ออกจากเครื่องของคุณ และเป็นข้อจำกัดเมื่อคุณคาดหวังเอนด์พอยต์เดียวที่จัดการรูปภาพ
พรอมต์ไม่ถูกนำไปใช้ในการฝึกโมเดล อย่างไรก็ตาม ส่งเฉพาะสิ่งที่งานต้องการ: ลบหมายเลขบัญชีหรือชื่อออกก่อนเรียกใช้งาน หากการทำความสะอาดไม่ขึ้นอยู่กับข้อมูลเหล่านั้น
ก่อนเขียนโค้ด รับคีย์ API ผู้ใช้ใหม่สามารถรับเครดิตทดลองใช้มูลค่า $0.50 ได้เพียงคลิกเดียวบนหน้านั้นหลังจากสมัครใช้งาน ซึ่งเพียงพอสำหรับการรันตัวอย่างด้านล่างได้หลายครั้ง คีย์ทดลองอนุญาตให้ทำคำขอพร้อมกัน 2 คำขอและ 60 คำขอต่อนาที ส่วนคีย์แบบเต็มอนุญาตให้ทำ 8 และ 300 ตามลำดับ
การตั้งค่าที่คุณต้องการ
| การตั้งค่า | ค่า |
|---|---|
| URL พื้นฐาน | https://api.llmocrapi.com/v1 |
| เอนด์พอยต์ | POST /v1/chat/completions |
| ID โมเดล | uncensored |
| Auth header | Authorization: Bearer YOUR_KEY |
| หน้าต่างบริบท | 100,000 โทเคน, พรอมต์รวมกับ completion |
เก็บคีย์ไว้ในตัวแปรสภาพแวดล้อม อย่าเก็บไว้ในระบบควบคุมเวอร์ชัน ตัวอย่างด้านล่างอ่านค่า LLMOCR_API_KEY
คำแนะนำเชิงปฏิบัติสองข้อก่อนเริ่มใช้งาน: อย่าใส่คีย์ไว้ในโค้ดฝั่งหน้าเว็บ เนื่องจากโค้ดที่ส่งไปยังเบราว์เซอร์สามารถถูกอ่านโดยผู้ใช้ได้; เรียกใช้ API จากเซิร์ฟเวอร์หรือ worker และตัดสินใจให้เร็วที่สุดว่า OCR text ดิบและ text ที่ผ่านการทำความสะอาดจะอยู่ที่ไหน เนื่องจาก output ที่ผ่านการทำความสะอาดคือไฟล์ที่คุณจะค้นหา ทำดัชนี และแสดงให้ผู้คนเห็น ในขณะที่ text ดิบคือหลักฐานของคุณหากมีการตั้งคำถามกับการแก้ไข
คำขอแรกด้วย curl
เริ่มด้วย curl เพื่อให้เห็นโครงสร้างดิบของคำขอ ก่อนที่ SDK จะซ่อนมันไว้ ตัวอย่างด้านล่างเป็นเศษข้อความ OCR ที่เสียหายทั่วไป: ยัติภังค์ที่ถูกตัดแยกเพราะขึ้นบรรทัดใหม่ ตัวอักษรที่สับสนกับตัวเลข และหมายเลขหน้าที่ไม่พึงประสงค์
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."}
]
}'
การตอบกลับมีรูปแบบ chat completion มาตรฐาน ข้อความที่ผ่านการทำความสะอาดแล้วอยู่ใน choices[0].message.content และ usage รายงานจำนวนโทเคนพรอมต์และโทเคนผลลัพธ์สำหรับการเรียกใช้นั้น ตั้งค่า temperature เป็น 0 สำหรับการทำความสะอาด คุณต้องการให้อินพุตเดียวกันให้เอาต์พุตเดียวกัน ไม่ใช่ความหลากหลายเชิงสร้างสรรค์
Python กับ SDK ของ OpenAI
ติดตั้ง SDK ด้วย pip install openai. คอนสตรัคเตอร์แตกต่างจากการตั้งค่า OpenAI มาตรฐานเพียงอย่างเดียว
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."))
อาร์กิวเมนต์ max_retries บอก SDK ให้ลองใหม่เมื่อเกิดข้อผิดพลาดในการเชื่อมต่อและ response 429 พร้อม backoff ดังนั้นคุณไม่จำเป็นต้องเขียนลูปนั้นเองสำหรับการใช้งานเบาๆ
ตัวอย่าง Node.js
ด้วยคำสั่ง npm install openai และโมดูล ES การเรียกใช้งานเดียวกันมีลักษณะดังนี้
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."));
ทุกสิ่งที่รองรับรูปแบบการสนทนาของ OpenAI เช่น เครื่องมืออัตโนมัติแบบไม่มีโค้ดหรือตัวห่อหุ้มภายในที่มีอยู่ สามารถใช้การตั้งค่าสองอย่างเดียวกันได้ เอกสารประกอบ ระบุพารามิเตอร์ที่รองรับทั้งหมด
ผลลัพธ์ที่มีโครงสร้างด้วยโหมด JSON
ข้อความแบบธรรมดาใช้ได้สำหรับการจัดเก็บถาวร แต่สายงานการสกัดข้อมูลต้องการฟิลด์ เปิดใช้งานโหมด JSON ด้วย response_format และอธิบายรูปแบบที่คุณต้องการในพรอมต์ การขอ JSON ทั้งในคำแนะนำและการตั้งค่าให้ผลลัพธ์ที่เชื่อถือได้มากที่สุด
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)
ห่อหุ้ม json.loads ด้วยบล็อก try และเก็บข้อความดิบไว้เสมอ เนื่องจากข้อความตอบกลับที่ยาวมากหรือถูกตัดทอนอาจยังคงสร้าง JSON ที่ไม่ถูกต้องได้ หากการแยกวิเคราะห์ล้มเหลว ให้ลองใหม่หนึ่งครั้งแล้วจัดคิวหน้าที่ต้องตรวจสอบด้วยมนุษย์
การประมวลผลชุดข้อมูลแบบขนาน
การส่งคำขอทีละคำขออาจช้าเมื่อมีหลายพันหน้า คีย์แบบเต็มอนุญาตให้ส่งคำขอพร้อมกันได้ 8 คำขอ ดังนั้นการใช้พูลของ worker 6 หรือ 8 ตัวจะช่วยให้คุณอยู่ภายใต้ขีดจำกัด ควรเว้นพื้นที่สำรองเล็กน้อยหากคีย์เดียวกันถูกใช้งานโดยส่วนอื่นด้วย
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)
หากคุณทำเกินขีดจำกัด API จะส่ง HTTP 429 รหัสข้อผิดพลาด rate_limited หมายถึงคำขอเกินจำนวนต่อนาที และ concurrency หมายถึงคำขอเกินจำนวนพร้อมกัน 429 พร้อม header Retry-After: 5 หมายถึงการโอเวอร์โหลดชั่วคราว: รอห้าวินาที คำขอแบบสตรีมมิงจะเก็บช่อง concurrency ไว้จนกว่าสตรีมจะสิ้นสุด ดังนั้นให้ปิดสตรีมที่คุณหยุดอ่าน
ติดตาม response header X-Balance-USD ในการรันระยะยาว เมื่อยอดเงินต่ำ ให้หยุดและเติมเงินจาก หน้าราคา แทนที่จะปล่อยให้งานล้มเหลวกลางคัน
เอกสารยาวและการตรวจสอบผลลัพธ์
ผลลัพธ์ OCR จริงมักไม่ใช่หน้าเดียวที่เรียบร้อย หนังสือที่สแกนให้หน้านับพัน และความเสียหายไม่สม่ำเสมอ: บทที่สะอาด แล้วตามด้วยหน้าเปื้อนที่เต็มไปด้วยอักขระที่แตกหัก นิสัยไม่กี่อย่างช่วยให้ขั้นตอนการทำความสะอาดมีความแน่นอน
แบ่งตามโครงสร้าง ไม่ใช่ตามจำนวนอักขระ ตัดที่การแบ่งหน้าหรือขอบเขตย่อหน้า เพื่อให้โมเดลไม่ได้รับครึ่งประโยคที่จุดเริ่มต้นของชุดข้อมูล หากประโยควิ่งข้ามขอบเขตหน้า ให้รวมย่อหน้าสุดท้ายของหน้าก่อนหน้าเป็นบริบทแบบอ่านอย่างเดียวและบอกให้โมเดลส่งกลับเฉพาะหน้าที่ปัจจุบันเท่านั้น สิ่งนี้ใช้โทเคนอินพุตเพิ่มเติมเล็กน้อยต่อคำขอ ซึ่งที่ $0.15 ต่อ 1 ล้านโทเคน ถือว่าน้อยมาก และช่วยแก้ไขคำที่มียัติภังค์ซึ่งถูกตัดข้ามสองหน้า
ตรวจสอบผลลัพธ์แต่ละรายการด้วยการตรวจสอบต้นทุนต่ำก่อนยอมรับ เปรียบเทียบความยาวของข้อความที่ผ่านการทำความสะอาดกับต้นฉบับ: อัตราส่วนที่ห่างจาก 1 หมายถึงโมเดลละทิ้งหรือแต่งเนื้อหาขึ้นมาเอง เปรียบเทียบตัวเลข: ดึงลำดับตัวเลขทุกชุดจากทั้งสองเวอร์ชันและทำเครื่องหมายหน้าที่แตกต่างกัน เนื่องจากวันที่ จำนวนเงิน และตัวระบุคือข้อผิดพลาดที่มีค่าใช้จ่ายสูงที่สุดในการพลาด เก็บข้อความ OCR ดิบไว้ข้างข้อความที่ผ่านการทำความสะอาด เพื่อให้บุคคลสามารถสร้างใหม่ได้ว่าOCR engine เห็นอะไรจริงๆ
สุดท้ายนี้ ให้พิจารณาการรันครั้งแรกเป็นโครงการนำร่อง ทำความสะอาด 20 หน้า อ่านสิบหน้าด้วยตนเอง และปรับแต่ง system prompt โดยปกติแล้วการแก้ไขคำแนะนำสองหรือสามรอบจะช่วยปรับปรุงคุณภาพได้มากกว่าการเปลี่ยนแปลงพารามิเตอร์ใดๆ
ข้อผิดพลาดทั่วไป
- การส่งหน้าขนาดใหญ่ในครั้งเดียว หน้าต่างบริบทมีขนาด 100,000 โทเคน และขนาดสูงสุดของ request body คือ 8 MB แต่ความแม่นยำจะดีกว่าเมื่อแบ่งเป็นหน้าขนาดเล็ก และการทำซ้ำ chunk ที่ล้มเหลวมีต้นทุนต่ำกว่า
- การให้โมเดลเขียนใหม่ หากพรอมต์ไม่ได้ระบุว่าห้ามเพิ่มหรือลบข้อเท็จจริง โมเดลอาจทำให้ข้อความที่เสียหายเรียบเรียงขึ้นได้ ควรระบุคำสั่งให้ชัดเจนและเปรียบเทียบความยาว: หน้าที่ผ่านการทำความสะอาดแล้วสั้นกว่าต้นฉบับอย่างมาก ควรตรวจสอบอีกครั้ง
- การใช้ชื่อโมเดลผิด ชื่อโมเดล ID ที่ถูกต้องคือ
uncensoredคุณสามารถดูรายการโมเดลด้วยคำสั่งGET /v1/models - การคาดหวัง embeddings หรือ input รูปภาพ API นี้ไม่มีฟีเจอร์ดังกล่าว สำหรับการค้นหาข้อความที่ผ่านการทำความสะอาดแล้ว ให้ใช้เครื่องมือ embedding แยกต่างหาก
- การลืมบันทึก request ID แต่ละ response จะมี header
X-Request-Idเก็บไว้ข้างๆ หน้าเว็บเพื่อให้ฝ่ายสนับสนุนสามารถติดตามผลลัพธ์ที่ไม่ถูกต้องได้
กฎเกี่ยวกับเนื้อหาเป็นไปอย่างเรียบง่าย: โมเดลถูกปรับแต่งให้ตอบคำถามโดยไม่ปฏิเสธสำหรับการใช้งานผู้ใหญ่ที่ถูกต้องตามกฎหมาย และเนื้อหาทางเพศที่เกี่ยวข้องกับผู้เยาว์จะถูกห้ามเสมอ คำถามเกี่ยวกับกรณีเฉพาะสามารถติดต่อไปยัง ฝ่ายสนับสนุน ได้
คู่มือเพิ่มเติม
ถาม-ตอบ
ฉันต้องการ SDK พิเศษหรือไม่?
ไม่ SDK ของ OpenAI ใดๆ หรือไคลเอนต์ HTTP ทำงานได้เมื่อตั้งค่า base URL เป็น https://api.llmocrapi.com/v1 ใช้ model ID uncensored และส่ง Bearer key
ฉันสามารถส่งรูปภาพหรือ PDF โดยตรงได้หรือไม่?
ไม่ API รับเฉพาะข้อความเท่านั้น ให้รัน OCR engine ก่อน แล้วส่งผลลัพธ์ที่ได้เป็นเนื้อหาข้อความ
ฉันสามารถรันคำขอได้พร้อมกันกี่คำขอ?
คีย์เต็มอนุญาตให้ทำคำขอพร้อมกัน 8 คำขอและ 300 คำขอต่อนาที คีย์ทดลองอนุญาตให้ทำคำขอพร้อมกัน 2 คำขอและ 60 คำขอต่อนาที
เกิดอะไรขึ้นเมื่อฉันถึงขีดจำกัดอัตรา?
คุณจะได้รับ HTTP 429 พร้อมรหัส rate_limited หรือ concurrency ให้รอแล้วลองส่งใหม่; คำขอที่ล้มเหลวจะไม่ถูกเรียกเก็บเงิน
คีย์ของคุณอยู่ห่างแค่แบบฟอร์มเดียว
สร้างบัญชี คัดลอกคีย์ และเปลี่ยน base URL นั่นคือการตั้งค่าทั้งหมด