Saltar al contenido principal

​
Presentamos /parse

El endpoint /parse convierte documentos locales o privados en datos limpios y listos para LLM. Sube el archivo en bytes mediante multipart/form-data y recibe Markdown, JSON, HTML, enlaces, imágenes o un resumen, manteniendo el orden de lectura y las tablas.
  • Convierte PDF, DOCX, XLSX, HTML y más en Markdown o JSON estructurado
  • Procesamiento hasta 5 veces más rápido con un motor basado en Rust
  • Archivos de hasta 50 MB por solicitud
  • Compatibilidad con retención de datos cero

​
Cuándo usar /parse

Usa /parse cuando el documento de origen sea un archivo local o no sea accesible públicamente por URL. Si tienes una URL pública que apunta a un documento, es preferible usar /scrape: detecta automáticamente el tipo de archivo a partir de la extensión o del tipo de contenido, y lo procesa de la misma forma.
OrigenEndpoint
URL pública de un documento (p. ej., https://example.com/report.pdf)POST /scrape
Archivo local o bytes no públicos (PDF, DOCX, XLSX, HTML, …)POST /parse

​
Parseo

​
endpoint /parse

Se utiliza para subir un archivo y recibir el contenido procesado. La solicitud es multipart/form-data, con una parte file obligatoria y una parte JSON options opcional. Extensiones compatibles: .html, .htm, .pdf, .docx, .doc, .odt, .rtf, .xlsx, .xls.

​
Uso

from firecrawl import Firecrawl

firecrawl = Firecrawl(api_key="fc-YOUR-API-KEY")

doc = firecrawl.parse("./report.pdf")

print(doc.markdown)

​
Respuesta

Los SDK devuelven el objeto de documento directamente. cURL devuelve la carga útil en JSON. 
{
  "success": true,
  "data": {
    "markdown": "# Annual Report\n\n...",
    "metadata": {
      "title": "Annual Report",
      "numPages": 42,
      "sourceFile": "report.pdf"
    }
  }
}

​
Opciones

/parse acepta un subconjunto de las opciones de scraping en el campo options. Ajustes comunes:
  • formats: array de formatos de salida. El valor predeterminado es ["markdown"]. Admitidos: markdown, html, rawHtml, links, images, summary y json (con un schema o prompt).
  • onlyMainContent: Solo devuelve el contenido principal del documento. El valor predeterminado es true.
  • includeTags / excludeTags: Inclusión o exclusión por etiqueta (entradas HTML).
  • timeout: Tiempo de espera de la solicitud en milisegundos. El valor predeterminado es 30000; el máximo, 300000.
  • parsers: Opciones del analizador de archivos. Para PDF, establece { "type": "pdf", "mode": "fast" | "auto" | "ocr", "maxPages": <int> }.
/parse no admite opciones exclusivas del navegador como actions, waitFor, location, mobile o seguimiento de cambios.

​
Modos del analizador de PDF

cURL
curl -X POST https://api.firecrawl.dev/v2/parse \
  -H 'Authorization: Bearer YOUR_API_KEY' \
  -F 'file=@./scan.pdf' \
  -F 'options={"parsers":[{"type":"pdf","mode":"ocr","maxPages":50}]};type=application/json'
  • fast: extracción solo de texto, la opción más rápida.
  • auto (predeterminado): prioriza el texto y usa OCR como alternativa en páginas que solo contienen imágenes.
  • ocr: aplica OCR a cada página — úsalo para documentos escaneados.

​
Salida JSON estructurada

Proporciona un JSON schema o un prompt para extraer datos estructurados directamente del documento:
cURL
curl -X POST https://api.firecrawl.dev/v2/parse \
  -H 'Authorization: Bearer YOUR_API_KEY' \
  -F 'file=@./invoice.pdf' \
  -F 'options={"formats":[{"type":"json","schema":{"type":"object","properties":{"total":{"type":"number"},"vendor":{"type":"string"}}}}]};type=application/json'

​
Consideraciones

  • El tamaño máximo de archivo es de 50 MB por solicitud.
  • Procesar archivos PDF muy grandes o escaneados en modo ocr puede tardar más; aumenta timeout o usa maxPages para limitar el procesamiento.
  • Para lotes de archivos, llama a /parse por archivo en paralelo; no existe una variante de carga por lote.
¿Eres un agente de IA que necesita una API key de Firecrawl? Consulta firecrawl.dev/agent-onboarding/SKILL.md para ver las instrucciones de incorporación automatizada.