taycan1987/docling-runpod

╔══════════════════════════════════════════════════════════════════════════════╗ ║ PARÁMETROS CONFIGURABLES — RunPod Docling PDF Handler ║ ║ Todos son opcionales. Si no se envían, se usa el DEFAULT. ║ ╚══════════════════════════════════════════════════════════════════════════════╝

Cómo usarlos: añádelos en el objeto "input" del job de RunPod junto a pdf_url o pdf_base64.

Ejemplo de payload completo: { "input": { "pdf_url": "[***]", "fileName": "annual_report_2024.pdf", "num_threads": 16, "table_mode": "accurate" } }

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ PARÁMETROS OBLIGATORIOS (uno de los dos) ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

pdf_url string URL pública del PDF a descargar Ejemplo: "[***]"

pdf_base64 string PDF codificado en Base64 Usar cuando no hay URL pública disponible

fileName string Nombre identificador en la respuesta Default: "archivo_desconocido"

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ RENDIMIENTO Y HARDWARE ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

num_threads int Hilos CPU para preprocesamiento del pipeline Default: 8 Valores: 1 – 32 (recomendado: nº de vCPUs disponibles) Nota: No afecta al cálculo GPU, solo CPU workers

force_backend string Forzar un backend específico, saltando la cascada Default: null (usa cascada automática) Valores: "cuda_accurate" → DoclingParse + CUDA + ACCURATE "cuda_fast" → DoclingParse + CUDA + FAST "cpu_fallback" → PyPdfium2 + CPU (+ OCR si do_ocr=true) Cuándo usarlo: benchmarks, debugging, PDFs simples de texto

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ CALIDAD DE EXTRACCIÓN ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

table_mode string Modo del modelo TableFormer para extracción de tablas Default: "accurate" Valores: "accurate" → Máxima calidad, detecta celdas fusionadas, headers multi-fila. Ideal para balance sheets, income statements, tablas SEC complejas. ~2-3x más lento que fast. "fast" → Tablas simples, sin merge de celdas. Útil para PDFs de texto con tablas básicas o cuando la velocidad es crítica.

do_table_structure bool Activar extracción y reconstrucción de tablas Default: true Valores: true | false Nota: Poner false solo si el PDF no tiene tablas y quieres máxima velocidad

do_cell_matching bool Fusionar y alinear celdas en tablas (requiere do_table_structure=true) Default: true Valores: true | false Nota: Crítico para tablas financieras con celdas span. Desactivar solo para PDFs simples/velocidad máxima

do_ocr bool Activar OCR para PDFs escaneados o con texto como imagen Default: false Valores: true | false Cuándo activar: - PDFs escaneados que pasaron el filtro de texto por error - Filings SEC muy antiguos (pre-2000) digitalizados - PDFs con texto embebido como imagen Nota: Añade ~3-5x de latencia. Innecesario si todos los PDFs tienen texto digital.

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ TIMEOUTS (segundos) ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

timeout_cuda_accurate int Tiempo máximo para backend cuda_accurate Default: 600 (10 min) Rango: 60 – 1800 Nota: PDFs de 400+ páginas pueden necesitar más

timeout_cuda_fast int Tiempo máximo para backend cuda_fast Default: 400 (6.6 min) Rango: 60 – 1200

timeout_cpu_fallback int Tiempo máximo para backend cpu_fallback Default: 900 (15 min) Rango: 60 – 3600 Nota: CPU es más lento; aumentar para PDFs grandes

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ VALIDACIÓN ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

max_file_size_mb int Tamaño máximo del PDF en MB antes de rechazarlo Default: 500 Rango: 10 – 2000 Nota: PDFs SEC típicos: 1-50MB. Informes anuales: 5-100MB

min_markdown_chars int Mínimo de caracteres en el markdown resultante para ***ar la conversión exitosa Default: 100 Rango: 50 – *** Nota: Si el resultado tiene menos chars, se ***a fallo y pasa al siguiente backend de la cascada

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ PARÁMETROS IGNORADOS (internos, no configurables por diseño) ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

generate_page_images Siempre false — no se necesitan imágenes de páginas generate_pic_images Siempre false — no se necesitan imágenes de figuras

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ RESPUESTA — campos en el output ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

status "success" | "error" fileName Nombre enviado en el input backend_used Qué backend procesó finalmente el PDF file_size_mb Tamaño del PDF descargado markdown_length Número de caracteres del markdown generado config_used Configuración efectiva aplicada (con defaults resueltos) markdown Contenido extraído en formato Markdown errors_log (solo en error) Lista de fallos por backend con tipo de error

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ EJEMPLOS DE USO FRECUENTE ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

// Informe anual estándar (defaults óptimos, no hay que enviar nada extra) { "pdf_url": "...", "fileName": "annual_2024.pdf" }

// PDF grande de 300+ páginas — aumentar timeouts { "pdf_url": "...", "timeout_cuda_accurate": 1200, "timeout_cpu_fallback": 1800 }

// PDF simple de solo texto, sin tablas — máxima velocidad { "pdf_url": "...", "table_mode": "fast", "do_cell_matching": false, "force_backend": "cuda_fast" }

// PDF escaneado que escapó al filtro { "pdf_url": "...", "do_ocr": true, "force_backend": "cpu_fallback", "timeout_cpu_fallback": 1200 }

// Servidor con 32 vCPUs disponibles { "pdf_url": "...", "num_threads": 24 }