¿Cómo extraer el texto de un PDF escaneado para un LLM?

​

Pasos

1. Guarda tu API key en DOCONDA_API_KEY e instala el SDK (pip install doconda o npm install @doconda/sdk).
2. Llama a extract con una ruta, una URL pública, bytes o un id file_…/doc_….
3. Pasa el markdown a tu modelo.

from doconda import Doconda

doconda = Doconda()  # lee la key de DOCONDA_API_KEY
texto = doconda.extract("propuesta.pdf")["markdown"]
print(texto[:500])

import { Doconda } from "@doconda/sdk"

const doconda = new Doconda()
const { markdown } = await doconda.extract("propuesta.pdf")
console.log(markdown.slice(0, 500))

curl https://api.eu.doconda.com/v1/extract \
  -H "Authorization: Bearer $DOCONDA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{ "file": { "url": "https://ejemplo.com/contrato.pdf" } }'

​

Qué devuelve

{
  "object": "extraction",
  "id": "doc_01JAB3…",
  "format": "pdf",
  "markdown": "<!-- página 1 -->\n\nCONTRATO DE ARRENDAMIENTO…",
  "chars": 18342,
  "truncated": false,
  "pages": 7
}

• markdown: el texto con su estructura. En PDF, títulos, tablas y columnas en su orden, con marcas de página.
• chars, pages y truncated (si pasa de 2 000 000 de caracteres).

​

Límites

• Hasta 100 páginas escaneadas por PDF; las siguientes salen marcadas como «sin leer». Un PDF puede tener hasta 1 000 páginas.
• Un PDF largo y escaneado puede tardar unos minutos: pasados 120 s la API responde 202 con { "id", "status" } y lo recoges con GET /extract/{id}. El SDK espera por ti.
• Ficheros de hasta 20 MB. Las URL solo pueden apuntar a direcciones públicas.

​

Preguntas frecuentes

​

Sigue leyendo

• Leer ficheros.
• Quickstart.