Parse

• 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

doc = firecrawl.scrape("https://example.com/report.pdf", formats=["markdown"])

from firecrawl import Firecrawl

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

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

print(doc.markdown)

import { Firecrawl } from "firecrawl";
import fs from "node:fs";

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

const doc = await firecrawl.parse({
  data: fs.readFileSync("./report.pdf"),
  filename: "report.pdf",
});

console.log(doc.markdown);

curl -X POST https://api.firecrawl.dev/v2/parse \
  -H 'Authorization: Bearer YOUR_API_KEY' \
  -F 'file=@./report.pdf' \
  -F 'options={"formats":["markdown"]};type=application/json'

{
  "success": true,
  "data": {
    "markdown": "# Annual Report\n\n...",
    "metadata": {
      "title": "Annual Report",
      "numPages": 42,
      "totalPages": 42,
      "sourceFile": "report.pdf"
    }
  }
}

• formats: array de formatos de salida. El valor predeterminado es ["markdown"]. Admitidos: markdown, html, rawHtml, links, images, resumen 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).
• redactPII: Redacta la información de identificación personal del markdown devuelto.
• 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> }.

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.

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'

• 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.