DeepSeek-OCR-2代码实例：OCR结果生成可搜索PDF（含文本图层）实践

ELSON麦香包

384人浏览 · 2026-02-18 00:27:36

ELSON麦香包 · 2026-02-18 00:27:36 发布

DeepSeek-OCR-2代码实例：OCR结果生成可搜索PDF（含文本图层）实践

1. 项目简介与核心价值

DeepSeek-OCR-2是DeepSeek团队在2026年1月推出的开源OCR模型，采用了创新的DeepEncoder V2方法。这个模型的最大特点是能够根据图像内容的意义动态重排识别区域，而不是传统OCR那样机械地从左到右扫描。

在实际应用中，DeepSeek-OCR-2只需要256到1120个视觉token就能处理复杂的文档页面，在OmniDocBench v1.5评测中获得了91.09%的高分。这意味着它不仅能准确识别文字，还能理解文档的结构和语义。

本文将带你一步步实现使用DeepSeek-OCR-2进行OCR识别，并将结果转换为可搜索的PDF文件。这种PDF文件包含文本图层，意味着你可以直接复制其中的文字内容，就像在Word文档中一样方便。

2. 环境准备与快速部署

2.1 系统要求与依赖安装

首先确保你的系统满足以下基本要求：

Python 3.8或更高版本
至少8GB内存（处理大文档时建议16GB以上）
GPU支持（可选，但能显著加速处理）

安装必要的依赖包：

pip install torch torchvision torchaudio
pip install transformers vllm gradio
pip install pdf2image pytesseract python-docx
pip install reportlab pypdf2

2.2 模型下载与初始化

DeepSeek-OCR-2模型可以通过Hugging Face获取：

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

# 初始化模型和分词器
model_name = "deepseek-ai/deepseek-ocr-2"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.float16,
    device_map="auto"
)

如果你有GPU设备，可以使用vllm进行推理加速：

from vllm import LLM, SamplingParams

# 使用vllm加速
llm = LLM(
    model="deepseek-ai/deepseek-ocr-2",
    dtype="float16",
    gpu_memory_utilization=0.8
)

3. OCR识别核心代码实现

3.1 图像预处理与文本提取

在进行OCR识别前，需要对图像进行适当的预处理：

import cv2
import numpy as np
from PIL import Image

def preprocess_image(image_path):
    """
    图像预处理函数
    """
    # 读取图像
    image = cv2.imread(image_path)
    
    # 转换为灰度图
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    
    # 二值化处理
    _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    
    # 噪声去除
    denoised = cv2.medianBlur(binary, 3)
    
    return denoised

def extract_text_from_image(image_path):
    """
    使用DeepSeek-OCR-2提取文本
    """
    # 预处理图像
    processed_image = preprocess_image(image_path)
    
    # 将图像转换为模型输入格式
    # 这里需要根据实际模型输入要求进行调整
    input_tensor = prepare_model_input(processed_image)
    
    # 使用模型进行推理
    with torch.no_grad():
        outputs = model.generate(
            input_tensor,
            max_length=1024,
            num_beams=5,
            early_stopping=True
        )
    
    # 解码输出
    extracted_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
    return extracted_text

3.2 批量处理与性能优化

处理多个页面时，可以使用批量处理来提高效率：

from concurrent.futures import ThreadPoolExecutor
import os

def batch_process_documents(directory_path, output_dir):
    """
    批量处理目录中的所有文档
    """
    # 确保输出目录存在
    os.makedirs(output_dir, exist_ok=True)
    
    # 获取所有图像文件
    image_files = [f for f in os.listdir(directory_path) 
                  if f.lower().endswith(('.png', '.jpg', '.jpeg', '.tiff', '.bmp'))]
    
    results = []
    
    # 使用多线程并行处理
    with ThreadPoolExecutor(max_workers=4) as executor:
        future_to_file = {
            executor.submit(process_single_image, 
                          os.path.join(directory_path, f), 
                          output_dir): f 
            for f in image_files
        }
        
        for future in concurrent.futures.as_completed(future_to_file):
            file = future_to_file[future]
            try:
                result = future.result()
                results.append(result)
                print(f"处理完成: {file}")
            except Exception as e:
                print(f"处理失败 {file}: {str(e)}")
    
    return results

4. 生成可搜索PDF的实现

4.1 创建带文本图层的PDF

使用ReportLab库创建包含文本图层的PDF：

from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import letter
from reportlab.pdfbase import pdfdoc
import io

def create_searchable_pdf(text_content, image_path, output_pdf_path):
    """
    创建可搜索的PDF文档
    """
    # 创建内存缓冲区
    packet = io.BytesIO()
    
    # 创建PDF画布
    c = canvas.Canvas(packet, pagesize=letter)
    
    # 设置字体和大小
    c.setFont("Helvetica", 12)
    
    # 添加文本内容（保持原始布局）
    # 这里需要根据OCR结果的位置信息来精确定位文本
    y_position = 750  # 从页面顶部开始
    
    for line in text_content.split('\n'):
        c.drawString(50, y_position, line)
        y_position -= 15  # 行间距
    
    # 保存PDF
    c.save()
    
    # 移动到缓冲区开始处
    packet.seek(0)
    
    # 将文本图层与原始图像结合
    from PyPDF2 import PdfReader, PdfWriter
    from reportlab.pdfgen import canvas
    
    # 读取原始图像PDF（如果需要保留原图）
    # 这里简化处理，实际应用中可能需要更复杂的合并逻辑
    
    # 保存最终PDF
    with open(output_pdf_path, "wb") as f:
        f.write(packet.getvalue())
    
    return output_pdf_path

4.2 文本定位与精确对齐

为了确保文本图层与原始图像准确对齐，需要处理文本位置信息：

def process_text_with_coordinates(ocr_result, image_dimensions):
    """
    处理带坐标的OCR结果
    """
    text_blocks = []
    
    # 解析OCR结果中的文本块和坐标信息
    # 这里需要根据DeepSeek-OCR-2的实际输出格式进行调整
    
    for block in ocr_result.get('blocks', []):
        text = block.get('text', '')
        bbox = block.get('bbox', [0, 0, 0, 0])  # [x1, y1, x2, y2]
        
        # 转换坐标到PDF坐标系
        pdf_x = bbox[0] * (612 / image_dimensions[0])  # 假设PDF宽度为612点
        pdf_y = (image_dimensions[1] - bbox[3]) * (792 / image_dimensions[1])  # 假设PDF高度为792点
        
        text_blocks.append({
            'text': text,
            'x': pdf_x,
            'y': pdf_y,
            'width': (bbox[2] - bbox[0]) * (612 / image_dimensions[0]),
            'height': (bbox[3] - bbox[1]) * (792 / image_dimensions[1])
        })
    
    return text_blocks

5. Gradio前端界面开发

5.1 构建用户友好的Web界面

使用Gradio创建直观的OCR处理界面：

import gradio as gr
import tempfile
import os

def ocr_to_searchable_pdf(input_file):
    """
    OCR处理并生成可搜索PDF的Gradio函数
    """
    # 创建临时文件
    with tempfile.NamedTemporaryFile(delete=False, suffix='.pdf') as tmp_file:
        input_path = tmp_file.name
    
    # 保存上传的文件
    with open(input_path, "wb") as f:
        f.write(input_file)
    
    try:
        # 执行OCR处理
        extracted_text = extract_text_from_image(input_path)
        
        # 生成可搜索PDF
        output_pdf_path = input_path.replace('.pdf', '_searchable.pdf')
        create_searchable_pdf(extracted_text, input_path, output_pdf_path)
        
        # 返回处理结果
        return output_pdf_path, extracted_text[:500] + "..." if len(extracted_text) > 500 else extracted_text
    
    except Exception as e:
        return None, f"处理失败: {str(e)}"
    
    finally:
        # 清理临时文件
        if os.path.exists(input_path):
            os.unlink(input_path)

# 创建Gradio界面
def create_gradio_interface():
    """
    创建OCR处理Web界面
    """
    with gr.Blocks(title="DeepSeek-OCR-2 可搜索PDF生成器") as demo:
        gr.Markdown("# DeepSeek-OCR-2 可搜索PDF生成器")
        gr.Markdown("上传文档图像，生成包含文本图层的可搜索PDF")
        
        with gr.Row():
            with gr.Column():
                file_input = gr.File(label="上传文档", file_types=[".png", ".jpg", ".jpeg", ".pdf", ".tiff"])
                process_btn = gr.Button("开始处理", variant="primary")
            
            with gr.Column():
                file_output = gr.File(label="下载可搜索PDF")
                text_output = gr.Textbox(label="提取的文本预览", lines=10)
        
        process_btn.click(
            fn=ocr_to_searchable_pdf,
            inputs=file_input,
            outputs=[file_output, text_output]
        )
    
    return demo

# 启动界面
if __name__ == "__main__":
    demo = create_gradio_interface()
    demo.launch(server_name="0.0.0.0", server_port=7860)

5.2 界面优化与用户体验

提升界面友好度和用户体验：

def enhanced_gradio_interface():
    """
    增强版的Gradio界面
    """
    with gr.Blocks(theme=gr.themes.Soft(), title="OCR转可搜索PDF工具") as demo:
        
        # 标题和描述
        gr.Markdown("""
        # 📄 DeepSeek-OCR-2 智能文档处理工具
        
        将扫描文档或图像转换为可搜索的PDF文件，支持文本选择和复制。
        """)
        
        with gr.Tab("单文件处理"):
            with gr.Row():
                with gr.Column(scale=1):
                    gr.Markdown("### 1. 上传文档")
                    input_file = gr.File(
                        label="选择文件", 
                        file_types=[".png", ".jpg", ".jpeg", ".pdf", ".tiff"],
                        file_count="single"
                    )
                    
                    gr.Markdown("### 2. 处理选项")
                    language_select = gr.Dropdown(
                        label="文档语言",
                        choices=["中文", "英文", "中英混合", "自动检测"],
                        value="自动检测"
                    )
                    
                    process_btn = gr.Button("🚀 开始转换", variant="primary")
                
                with gr.Column(scale=2):
                    gr.Markdown("### 3. 处理结果")
                    with gr.Tab("提取文本"):
                        text_output = gr.Textbox(
                            label="识别结果", 
                            lines=15,
                            interactive=True
                        )
                    
                    with gr.Tab("下载PDF"):
                        pdf_output = gr.File(label="可搜索PDF")
                    
                    with gr.Tab("预览"):
                        gr.Markdown("文档预览功能")
                        # 这里可以添加图像预览组件
        
        with gr.Tab("批量处理"):
            gr.Markdown("批量处理功能开发中...")
        
        # 处理逻辑
        process_btn.click(
            fn=process_document_with_options,
            inputs=[input_file, language_select],
            outputs=[text_output, pdf_output]
        )
    
    return demo

6. 实际应用与效果验证

6.1 测试与性能评估

为了验证解决方案的效果，我们进行了多轮测试：

def test_ocr_accuracy(test_cases):
    """
    测试OCR准确率
    """
    results = []
    
    for test_case in test_cases:
        image_path = test_case['image_path']
        expected_text = test_case['expected_text']
        
        # 执行OCR
        start_time = time.time()
        extracted_text = extract_text_from_image(image_path)
        processing_time = time.time() - start_time
        
        # 计算准确率
        accuracy = calculate_text_similarity(expected_text, extracted_text)
        
        results.append({
            'test_case': os.path.basename(image_path),
            'accuracy': accuracy,
            'processing_time': processing_time,
            'text_length': len(extracted_text)
        })
    
    return results

def calculate_text_similarity(text1, text2):
    """
    计算文本相似度
    """
    from difflib import SequenceMatcher
    
    # 预处理文本
    text1_clean = ''.join(filter(str.isalnum, text1.lower()))
    text2_clean = ''.join(filter(str.isalnum, text2.lower()))
    
    return SequenceMatcher(None, text1_clean, text2_clean).ratio()

6.2 实际应用案例

在实际业务场景中的应用示例：

def business_document_processing(doc_path, output_dir):
    """
    企业文档处理流程
    """
    # 1. 文档预处理
    preprocessed_path = preprocess_document(doc_path)
    
    # 2. OCR文本提取
    extracted_text = extract_text_from_image(preprocessed_path)
    
    # 3. 文本后处理（清理、格式化）
    cleaned_text = clean_ocr_text(extracted_text)
    
    # 4. 生成可搜索PDF
    pdf_output_path = os.path.join(output_dir, 
                                 f"searchable_{os.path.basename(doc_path)}")
    create_searchable_pdf(cleaned_text, preprocessed_path, pdf_output_path)
    
    # 5. 生成文本副本
    text_output_path = pdf_output_path.replace('.pdf', '.txt')
    with open(text_output_path, 'w', encoding='utf-8') as f:
        f.write(cleaned_text)
    
    return {
        'pdf_path': pdf_output_path,
        'text_path': text_output_path,
        'word_count': len(cleaned_text.split())
    }

def batch_process_business_documents(docs_directory):
    """
    批量处理企业文档
    """
    results = []
    supported_formats = ['.pdf', '.png', '.jpg', '.jpeg', '.tiff']
    
    for filename in os.listdir(docs_directory):
        if any(filename.lower().endswith(ext) for ext in supported_formats):
            doc_path = os.path.join(docs_directory, filename)
            
            try:
                result = business_document_processing(doc_path, docs_directory)
                results.append({
                    'document': filename,
                    'status': 'success',
                    'result': result
                })
            except Exception as e:
                results.append({
                    'document': filename,
                    'status': 'error',
                    'error': str(e)
                })
    
    return results