若PDF无文本层，则需OCR识别；先用PyMuPDF检查首页文本长度，输出为0或极小值即为扫描件，再用DeepSeek-OCR-2处理图像内容实现结构化识别。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您尝试将一份扫描版PDF文档转换为可编辑文本，但发现文字无法选取、复制或识别混乱，则可能是由于PDF中不包含原生文本层，仅由图像构成。以下是使用DeepSeek相关工具处理PDF扫描件并配合OCR插件完成结构化识别的步骤：
一、确认PDF类型并预检文档
DeepSeek-OCR-2仅能处理图像内容，因此需先判断PDF是否为扫描件（即无文本层）。该步骤避免后续无效解析。
1、使用PyMuPDF（fitz）检查PDF是否含可提取文本：
2、运行代码：doc = fitz.open("input.pdf"); print(len(doc[0].get_text("text")))
3、若输出为0或极小数值（如
4、若含文本层，可跳过OCR，直接调用DeepSeek Document Parser进行语义解析。
二、PDF转高质量图像（预处理核心）
图像质量直接影响OCR准确率。分辨率不足、倾斜、噪点会显著降低DeepSeek-OCR-2对表格与手写体的识别能力。
1、安装依赖：pip install PyMuPDF pillow
2、执行高DPI转换（推荐300dpi）：
3、代码示例中设置矩阵缩放：mat = fitz.Matrix(300/72, 300/72)
4、逐页导出为RGB模式JPG，禁用压缩以保留边缘锐度。
三、集成Zotero-OCR插件实现一键触发
Zotero-OCR作为前端调度器，可自动调用Tesseract预处理+DeepSeek后处理，适用于文献管理场景下的批量扫描PDF。
1、在Zotero插件配置中，将“OCR Engine”设为Custom Command
2、填入自定义命令路径：python /path/to/deepseek_ocr_cli.py --input {pdf_path} --output {output_dir}
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
3、确保Tesseract已部署chi_sim语言包，并在Zotero OCR Settings中勾选"Use Tesseract for pre-processing only"
4、右键文献条目选择“OCR PDF”，系统将自动完成PDF→图像→DeepSeek解析→Markdown归档全流程。
四、本地部署DeepSeek-OCR-2并直连调用
绕过浏览器界面，通过Python脚本直接加载模型，适用于服务器端批量任务与API集成。
1、确认模型路径正确：MODEL_PATH = "/root/ai-models/deepseek-ai/DeepSeek-OCR-2/"
2、初始化解析器实例：from deepseek_ocr import DeepSeekOCR; ocr = DeepSeekOCR(model_path=MODEL_PATH)
3、传入单张图像路径：result = ocr.run("/images/page_1.jpg")
4、提取结构化输出：markdown_text = result["markdown"]; layout_tree = result["skeleton"]
五、处理模糊/倾斜/带水印扫描件的增强策略
原始扫描质量差时，需在送入DeepSeek-OCR前插入图像增强环节，提升骨架识别鲁棒性。
1、使用OpenCV进行倾斜校正：cv2.getOptimalNewCameraMatrix & cv2.undistort
2、应用自适应二值化：cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
3、去除背景水印：构建形态学闭运算核，分离文字前景与低频灰度背景。
4、保存增强后图像时，强制指定quality=95, subsampling=0参数防止JPEG压缩失真。
