DeepSeek-OCR-2图文教程：上传PDF→自动识别→复制文本→导出TXT/JSON

DeepSeek-OCR-2图文教程：上传PDF→自动识别→复制文本→导出TXT/JSON

1. 前言：告别繁琐，让文档识别变得简单

如果你经常需要处理扫描的PDF文档、图片里的文字，或者想把纸质文件变成可编辑的电子版，那么手动打字或者用传统的OCR工具可能会让你头疼。识别不准、格式混乱、操作复杂——这些问题我都经历过。

今天我要分享的DeepSeek-OCR-2，可能是你一直在找的解决方案。这个模型采用了全新的DeepEncoder V2方法，让AI能够理解图像的含义，然后智能地重排图像的各个部分，而不是像传统OCR那样机械地从左到右扫描。

简单来说，它更聪明了。

最让我惊喜的是，这个模型只需要256到1120个视觉Token就能处理复杂的文档页面，在OmniDocBench v1.5评测中综合得分达到了91.09%。这意味着什么？意味着识别准确率更高，处理速度更快，而且对复杂版面的适应能力更强。

在这篇教程里，我会手把手带你从零开始，学会如何：

• 快速部署DeepSeek-OCR-2环境
• 上传PDF文件进行自动识别
• 复制识别出来的文本内容
• 导出为TXT或JSON格式文件

整个过程就像用手机拍照一样简单，但效果却专业得多。无论你是学生、研究人员、办公人员，还是需要处理大量文档的从业者，这个工具都能帮你节省大量时间。

2. 环境准备：三步搞定部署

2.1 系统要求

在开始之前，我们先看看需要准备什么。其实要求很简单：

• 操作系统：Linux（推荐Ubuntu 20.04或更高版本），Windows和macOS也可以通过Docker运行
• 内存：至少16GB RAM（处理大文档时建议32GB）
• GPU：有GPU会更快，但CPU也能运行（只是速度会慢一些）
• 存储空间：至少20GB可用空间

如果你用的是CSDN星图镜像，很多环境都已经预配置好了，可以直接跳到下一步。

2.2 快速安装步骤

如果你需要自己搭建环境，下面是完整的安装流程。别担心，我已经把命令都整理好了，你只需要复制粘贴就行。

首先，创建一个新的工作目录并进入：

mkdir deepseek-ocr-demo cd deepseek-ocr-demo

然后安装必要的Python包。我建议使用Python 3.9或更高版本：

pip install torch torchvision torchaudio pip install vllm pip install gradio pip install pdf2image pip install pillow pip install transformers

这些包的作用分别是：

• torch：深度学习框架基础
• vllm：推理加速，让识别速度更快
• gradio：创建Web界面，让你可以通过浏览器操作
• pdf2image：把PDF转换成图片，因为OCR模型需要图片输入
• pillow：处理图片
• transformers：加载和使用预训练模型

2.3 下载模型文件

接下来需要下载DeepSeek-OCR-2模型。模型文件比较大（大约几个GB），所以需要一些时间：

from transformers import AutoModelForCausalLM, AutoTokenizer model_name = "deepseek-ai/DeepSeek-OCR-2" model = AutoModelForCausalLM.from_pretrained(model_name) tokenizer = AutoTokenizer.from_pretrained(model_name) # 保存到本地，方便以后使用 model.save_pretrained("./deepseek-ocr-2-model") tokenizer.save_pretrained("./deepseek-ocr-2-model")

如果你觉得下载速度慢，也可以先下载到本地，然后从本地加载。很多云服务商都提供了模型镜像，下载速度会快很多。

3. 启动Web界面：像用网站一样简单

3.1 创建Gradio应用

现在我们来创建一个简单的Web界面。创建一个名为app.py的文件，然后添加以下代码：

import gradio as gr from pdf2image import convert_from_path from PIL import Image import torch from transformers import AutoModelForCausalLM, AutoTokenizer import json import os # 加载模型和分词器 print("正在加载模型，这可能需要几分钟...") model = AutoModelForCausalLM.from_pretrained( "./deepseek-ocr-2-model", torch_dtype=torch.float16, device_map="auto" ) tokenizer = AutoTokenizer.from_pretrained("./deepseek-ocr-2-model") print("模型加载完成！") def process_pdf(pdf_file): """处理PDF文件的主函数""" try: # 第一步：将PDF转换为图片 print(f"正在转换PDF: {pdf_file.name}") images = convert_from_path(pdf_file.name) results = [] all_text = "" # 第二步：逐页识别 for i, image in enumerate(images): print(f"正在识别第 {i+1}/{len(images)} 页...") # 预处理图片 image = image.convert("RGB") # 使用模型进行OCR识别 inputs = tokenizer(image, return_tensors="pt").to(model.device) with torch.no_grad(): outputs = model.generate(**inputs, max_new_tokens=1024) # 解码识别结果 text = tokenizer.decode(outputs[0], skip_special_tokens=True) # 保存每页结果 page_result = { "page": i + 1, "text": text, "image_size": image.size } results.append(page_result) all_text += f"=== 第 {i+1} 页 ===\n{text}\n\n" # 第三步：返回结果 return all_text, json.dumps(results, ensure_ascii=False, indent=2) except Exception as e: return f"处理出错: {str(e)}", "" # 创建Gradio界面 with gr.Blocks(title="DeepSeek-OCR-2 PDF识别工具") as demo: gr.Markdown("# DeepSeek-OCR-2 PDF文字识别") gr.Markdown("上传PDF文件，自动识别文字内容，支持导出TXT和JSON格式") with gr.Row(): with gr.Column(): pdf_input = gr.File(label="上传PDF文件", file_types=[".pdf"]) submit_btn = gr.Button("开始识别", variant="primary") with gr.Column(): text_output = gr.Textbox(label="识别结果", lines=20, interactive=True) json_output = gr.Code(label="JSON格式结果", language="json", interactive=True) with gr.Row(): txt_download = gr.DownloadButton("下载TXT文件", visible=False) json_download = gr.DownloadButton("下载JSON文件", visible=False) # 处理函数 def process_and_download(pdf_file): text_result, json_result = process_pdf(pdf_file) # 保存临时文件供下载 txt_filename = "识别结果.txt" json_filename = "识别结果.json" with open(txt_filename, "w", encoding="utf-8") as f: f.write(text_result) with open(json_filename, "w", encoding="utf-8") as f: f.write(json_result) return text_result, json_result, txt_filename, json_filename # 绑定事件 submit_btn.click( fn=process_and_download, inputs=[pdf_input], outputs=[text_output, json_output, txt_download, json_download] ) # 更新下载按钮可见性 def update_download_visibility(text_result): return gr.DownloadButton(visible=bool(text_result)), gr.DownloadButton(visible=bool(text_result)) text_output.change( fn=update_download_visibility, inputs=[text_output], outputs=[txt_download, json_download] ) # 启动应用 if __name__ == "__main__": demo.launch(server_name="0.0.0.0", server_port=7860, share=False)

3.2 启动应用

保存文件后，在终端中运行：

python app.py

你会看到类似这样的输出：

正在加载模型，这可能需要几分钟... 模型加载完成！ Running on local URL: http://0.0.0.0:7860

现在打开浏览器，访问http://localhost:7860，就能看到我们刚刚创建的界面了。

如果你用的是CSDN星图镜像，通常已经预置了Web界面，直接点击相应的按钮就能打开，不需要自己运行上面的命令。

4. 实际操作：从上传到导出的完整流程

4.1 上传PDF文件

打开Web界面后，你会看到一个简洁的页面。点击"上传PDF文件"按钮，选择你要识别的文档。

这里有几个小建议：

1. PDF质量：尽量选择清晰的PDF文件，扫描质量越好，识别准确率越高
2. 文件大小：单次处理建议不超过50页，大文件可以分批处理
3. 语言支持：DeepSeek-OCR-2支持多种语言，包括中文、英文、日文、韩文等

上传后，界面大概是这样的：

• 左侧是上传区域和开始按钮
• 右侧是结果显示区域，分为文本预览和JSON格式

4.2 开始识别

点击"开始识别"按钮，系统就会开始处理。处理时间取决于：

• PDF的页数
• 每页的复杂度
• 你的硬件配置（GPU比CPU快很多）

在识别过程中，你可以在终端看到进度提示：

正在转换PDF: document.pdf 正在识别第 1/10 页... 正在识别第 2/10 页... ...

通常来说，一页普通的A4文档，在GPU上只需要几秒钟就能识别完成。

4.3 查看和编辑识别结果

识别完成后，右侧的文本框中会显示所有识别出来的文字。这里有几个实用的功能：

文本预览区域：

• 可以直接查看识别结果
• 可以选中文字进行复制
• 可以编辑修改识别错误的地方

JSON格式区域：

• 显示结构化的识别结果
• 包含每页的文本、页码、图片尺寸等信息
• 方便程序进一步处理

如果发现识别有错误，你可以直接在文本框中修改。DeepSeek-OCR-2的准确率很高，但对于一些特殊字体、手写体或者模糊的扫描件，可能还是需要人工校对一下。

4.4 导出结果

这是最实用的部分——导出识别结果。

导出TXT文件：

1. 点击"下载TXT文件"按钮
2. 文件会自动下载到你的电脑
3. 用任何文本编辑器（如记事本、VS Code等）都能打开
4. 格式清晰，每页之间有分隔线

导出JSON文件：

1. 点击"下载JSON文件"按钮
2. 下载后可以用Python、JavaScript等语言处理
3. 适合需要进一步自动化处理的场景

JSON文件的格式是这样的：

[ { "page": 1, "text": "这是第一页的内容...", "image_size": [2480, 3508] }, { "page": 2, "text": "这是第二页的内容...", "image_size": [2480, 3508] } ]

5. 实用技巧与常见问题

5.1 提升识别准确率的小技巧

根据我的使用经验，下面这些方法能让识别效果更好：

预处理PDF：

# 如果你有多个PDF需要批量处理，可以这样优化 from pdf2image import convert_from_path def optimize_pdf_conversion(pdf_path, dpi=300): """优化PDF转换参数""" images = convert_from_path( pdf_path, dpi=dpi, # 提高DPI让图片更清晰 grayscale=True, # 灰度模式有时识别更好 fmt='jpeg', # JPEG格式 thread_count=4 # 多线程加速 ) return images

处理特殊场景：

• 表格识别：DeepSeek-OCR-2对表格的支持不错，但复杂的合并单元格可能需要后期调整
• 数学公式：能识别基本的数学符号，但对于复杂公式，建议使用专门的工具
• 手写文字：印刷体识别效果很好，手写体取决于书写工整程度

5.2 常见问题解决

问题1：识别速度慢

• 检查是否使用了GPU：torch.cuda.is_available()
• 减少max_new_tokens参数的值
• 分批处理大文档

问题2：内存不足

# 可以尝试降低精度 model = AutoModelForCausalLM.from_pretrained( "./deepseek-ocr-2-model", torch_dtype=torch.float16, # 使用半精度 device_map="auto", low_cpu_mem_usage=True # 减少CPU内存使用 )

问题3：特殊字符识别错误

• 确保PDF中的字体是嵌入的
• 尝试调整图片的对比度和亮度
• 对于特定领域的文档（如医学、法律），可能需要微调模型

问题4：批量处理需求如果你需要处理大量PDF文件，可以这样自动化：

import os from glob import glob def batch_process_pdfs(pdf_folder, output_folder): """批量处理文件夹中的所有PDF""" os.makedirs(output_folder, exist_ok=True) pdf_files = glob(os.path.join(pdf_folder, "*.pdf")) for pdf_file in pdf_files: filename = os.path.basename(pdf_file) print(f"处理: {filename}") # 调用识别函数 text_result, json_result = process_pdf(pdf_file) # 保存结果 txt_path = os.path.join(output_folder, f"{filename}_result.txt") json_path = os.path.join(output_folder, f"{filename}_result.json") with open(txt_path, "w", encoding="utf-8") as f: f.write(text_result) with open(json_path, "w", encoding="utf-8") as f: f.write(json_result) print(f"批量处理完成！共处理 {len(pdf_files)} 个文件")

5.3 进阶用法：API集成

如果你想把OCR功能集成到自己的系统中，可以这样创建一个简单的API：

from fastapi import FastAPI, File, UploadFile from fastapi.responses import JSONResponse import tempfile import os app = FastAPI(title="DeepSeek-OCR-2 API") @app.post("/ocr/pdf") async def ocr_pdf(file: UploadFile = File(...)): """处理上传的PDF文件""" try: # 保存上传的文件 with tempfile.NamedTemporaryFile(delete=False, suffix=".pdf") as tmp: content = await file.read() tmp.write(content) tmp_path = tmp.name # 处理PDF text_result, json_result = process_pdf(tmp_path) # 清理临时文件 os.unlink(tmp_path) return JSONResponse({ "status": "success", "filename": file.filename, "text": text_result, "json": json.loads(json_result) }) except Exception as e: return JSONResponse({ "status": "error", "message": str(e) }, status_code=500) # 运行：uvicorn api:app --reload --port 8000

这样你就可以通过HTTP请求来调用OCR功能了，方便集成到各种应用中。

6. 总结：让文档处理更高效

通过这篇教程，你应该已经掌握了DeepSeek-OCR-2的基本使用方法。让我们回顾一下关键点：

核心流程很简单：

1. 准备环境（或者直接用现成的镜像）
2. 启动Web界面
3. 上传PDF文件
4. 点击识别按钮
5. 查看、编辑、导出结果

这个工具的优势：

• 准确率高：采用创新的DeepEncoder V2方法，理解图像含义而非机械扫描
• 使用简单：Web界面操作，无需编程基础
• 格式灵活：支持TXT和JSON导出，满足不同需求
• 处理高效：支持vLLM推理加速，处理速度快

适用场景广泛：

• 学生：把教材、论文扫描件转换成可编辑文本
• 办公人员：处理合同、报告等文档
• 研究人员：数字化古籍、档案资料
• 开发者：集成到自己的应用中

我个人的使用感受是，DeepSeek-OCR-2在保持高准确率的同时，大大简化了操作流程。传统的OCR工具往往需要复杂的参数调整，而这个工具基本上就是"上传-识别-导出"三步走。

如果你在使用的过程中遇到问题，或者有改进建议，可以参考官方文档或者社区讨论。技术的进步离不开大家的反馈和贡献。

最后提醒一点：虽然这个工具的识别准确率很高，但对于重要的文档，建议还是人工核对一下关键信息。特别是涉及法律、财务等敏感内容的文档，双重检查总是更稳妥。

希望这篇教程能帮你提高文档处理的效率。技术应该让生活更简单，而不是更复杂——DeepSeek-OCR-2正是这样一个工具。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。