Processamento de Documentos

Saiba mais sobre os recursos de processamento de documentos.

O Firecrawl oferece recursos poderosos de parsing de documentos, permitindo extrair conteúdo estruturado de diversos formatos. Esse recurso é particularmente útil para processar arquivos como planilhas, documentos do Word e muito mais.

​

Formatos de documentos suportados

Atualmente, o Firecrawl oferece suporte aos seguintes formatos de documentos:

• Planilhas do Excel (.xlsx, .xls)

  • Cada planilha é convertida em uma tabela HTML
  • As planilhas são separadas por títulos H2 com o nome da aba
  • Preserva a formatação das células e os tipos de dados

• Documentos do Word (.docx, .doc, .odt, .rtf)

  • Extrai o conteúdo de texto preservando a estrutura do documento
  • Mantém títulos, parágrafos, listas e tabelas
  • Preserva formatação e estilos básicos

• Documentos PDF (.pdf)

  • Extrai o conteúdo de texto com informações de layout
  • Preserva a estrutura do documento, incluindo seções e parágrafos
  • Lida com PDFs baseados em texto e digitalizados (com suporte a OCR)
  • Oferece a opção mode para controlar a estratégia de parsing: fast (apenas texto), auto (texto com fallback de OCR, padrão) ou ocr (forçar OCR)
  • Custa 1 crédito por página. Consulte a tabela de preços para detalhes.

​

Modos de processamento de PDF

Use a opção parsers para controlar como os PDFs são processados:

Modo	Descrição
auto	Tenta primeiro uma extração rápida baseada em texto e, se necessário, recorre ao OCR. Este é o modo padrão.
fast	Processamento apenas baseado em texto (texto embutido). É a opção mais rápida, mas não extrai texto de páginas digitalizadas ou com muitas imagens.
ocr	Força o uso de OCR em todas as páginas. Use para documentos digitalizados ou quando auto classificar uma página incorretamente.

// Sintaxe de objeto com modo
parsers: [{ type: "pdf", mode: "ocr", maxPages: 20 }]

// Padrão (modo automático)
parsers: [{ type: "pdf" }]

​

Como usar a análise de documentos

A análise de documentos no Firecrawl é automática quando você fornece uma URL que aponta para um tipo de documento compatível. O sistema detecta o tipo de arquivo com base na extensão da URL ou no cabeçalho Content-Type e o processa conforme necessário.

​

Exemplo: Fazendo scraping de um arquivo Excel

Node

import Firecrawl from '@mendable/firecrawl-js';

const firecrawl = new Firecrawl({ apiKey: "fc-SUA-CHAVE-API" });

const doc = await firecrawl.scrape('https://example.com/data.xlsx');

console.log(doc.markdown);

​

Exemplo: Extraindo um documento do Word

Node

import Firecrawl from '@mendable/firecrawl-js';

const firecrawl = new Firecrawl({ apiKey: "fc-SUA-CHAVE-API" });

const doc = await firecrawl.scrape('https://example.com/data.docx');

console.log(doc.markdown);

​

Formato de saída

Todos os tipos de documentos compatíveis são convertidos em Markdown limpo e estruturado. Por exemplo, um arquivo Excel com várias planilhas pode ser convertido em:

## Planilha1

| Nome  | Valor |
|-------|-------|
| Item 1 | 100   |
| Item 2 | 200   |

## Planilha2

| Data       | Descrição    |
|------------|--------------|
| 2023-01-01 | Primeiro trimestre|