DeepSeek技术解析：Python代码实现PDF与图片内容识别

是的，DeepSeek 识别 PDF 和图片内容的 Python 代码可以开源！虽然 DeepSeek 本身并不直接支持 OCR 功能，但我们可以通过结合开源工具（如 PaddleOCR、Tesseract 和 PyMuPDF）实现类似的功能。以下是完整的 Python 代码示例，您可以直接使用或根据需求进行修改。

1. 实现功能

文本型 PDF：直接提取 PDF 中的文本层。

图像型 PDF 或图片：使用 OCR 工具（如 PaddleOCR）提取文字。

调用 DeepSeek 模型：将提取的文本传递给 DeepSeek 模型进行处理。

2. 安装依赖

在运行代码之前，请确保安装以下依赖：

pip install paddleocr fitz requests

3. 完整代码示例

以下是一个开源的 Python 代码示例，展示如何实现 PDF 和图片内容的识别，并调用 DeepSeek 模型进行处理：

import fitz  # PyMuPDF
from paddleocr import PaddleOCR
import requests

# 初始化 PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang="ch")

def extract_text_from_pdf(pdf_path):
    """
    从 PDF 文件中提取文本内容。
    - 对于文本型 PDF，直接提取文字。
    - 对于图像型 PDF，使用 OCR 提取文字。
    """
    # 打开 PDF 文件
    pdf_document = fitz.open(pdf_path)
    text = ""

    # 遍历每一页
    for page_num in range(len(pdf_document)):
        page = pdf_document.load_page(page_num)
        page_text = page.get_text()

        if page_text.strip():  # 如果是文本型 PDF
            text += page_text
        else:  # 如果是图像型 PDF，使用 OCR
            pix = page.get_pixmap()
            image_path = f"page_{page_num + 1}.png"
            pix.save(image_path)
            result = ocr.ocr(image_path, cls=True)
            page_text = "\n".join([line[1][0] for line in result[0]])
            text += page_text

    return text

def extract_text_from_image(image_path):
    """
    从图片中提取文本内容。
    """
    # 调用 PaddleOCR 识别图片中的文字
    result = ocr.ocr(image_path, cls=True)
    text = "\n".join([line[1][0] for line in result[0]])
    return text

def call_deepseek_model(text, model_size="7B"):
    """
    调用 DeepSeek 模型处理文本。
    """
    url = "http://localhost:11434/api/generate"  # ollama 的 API 地址
    payload = {
        "model": f"deepseek-r1:{model_size}",
        "prompt": f"请处理以下文本：{text}",
        "stream": False
    }
    response = requests.post(url, json=payload)
    return response.json()["response"]

def process_file(file_path):
    """
    处理文件（PDF 或图片），提取文本并调用 DeepSeek 模型。
    """
    if file_path.endswith(".pdf"):
        text = extract_text_from_pdf(file_path)
    elif file_path.endswith((".jpg", ".png", ".jpeg")):
        text = extract_text_from_image(file_path)
    else:
        raise ValueError("不支持的文件格式")

    # 调用 DeepSeek 模型处理文本
    result = call_deepseek_model(text, model_size="13B")
    return result

# 示例：处理文件
file_path = "example.pdf"  # 或 "example.jpg"
result = process_file(file_path)
print("提取的文本：", result)