https://my-blog-5ay.pages.dev/tags/deepseek-ocr/ Recent content in DeepSeek-OCR on Judy的Blog Hugo zh-cn Sat, 04 Apr 2026 20:00:00 +0900 https://my-blog-5ay.pages.dev/posts/pdf_parsing_blog/ Sat, 04 Apr 2026 20:00:00 +0900 https://my-blog-5ay.pages.dev/posts/pdf_parsing_blog/ <p>最近终于把一条完整的智能 PDF 解析链路跑通了。整个方案从最开始的 <code>fast</code> 策略文本提取，到后面的 <code>hi_res</code>、版面检测、Paddle OCR、表格图块导出，再到 DeepSeek-OCR 对表格进行结构化增强，基本把一条复杂 PDF 的解析链完整打透了。</p> <p>最终效果比预期要好，尤其是 <strong>YOLOX 在版面检测阶段对表格区域的提取效果明显优于 detectron2_onnx</strong>，这一点对后续表格结构化质量提升非常关键。</p> <p>这篇文章主要做一个完整复盘，梳理这个项目的核心技术路线、关键模块分工、踩坑点，以及最终可落地的方案。</p> <hr> <h1 id="一项目目标">一、项目目标</h1> <p>这个项目的核心目标不是单纯做“PDF 转文本”，而是：</p> <ul> <li>对复杂 PDF 做结构化解析</li> <li>识别标题、正文、图片、表格等版面元素</li> <li>对复杂表格做更高质量的结构化重建</li> <li>最终输出统一 JSON，方便后续检索、知识库入库和下游问答</li> </ul> <p>所以本质上，这是一个 <strong>多模型协同的智能文档解析系统</strong>，而不是一个简单的 OCR 脚本。</p> <hr> <h1 id="二整体技术路线">二、整体技术路线</h1> <p>整个系统采用的是分阶段流水线：</p> <ol> <li> <p><strong>数据接入层</strong></p> <ul> <li>支持本地 PDF</li> <li>支持数据库二进制 PDF</li> </ul> </li> <li> <p><strong>文档解析主链</strong></p> <ul> <li>使用 <code>unstructured.partition.pdf.partition_pdf</code></li> <li><code>fast</code> 模式用于基础文本提取</li> <li><code>hi_res</code> 模式用于复杂版面解析</li> </ul> </li> <li> <p><strong>版面检测（Layout Detection）</strong></p> <ul> <li>使用 <code>detectron2_onnx</code> / <code>yolox</code></li> <li>负责识别页面中的 <code>Title</code>、<code>Text</code>、<code>Table</code>、<code>Image</code> 等区域</li> </ul> </li> <li> <p><strong>OCR 识别</strong></p> <ul> <li>使用 <code>Paddle OCR</code></li> <li>对版面检测后的区域做文字识别</li> </ul> </li> <li> <p><strong>表格局部增强</strong></p> <ul> <li>提取 <code>Table</code> 元素对应的图块</li> <li>调用 <code>DeepSeek-OCR</code> 做 markdown / HTML 风格重构</li> </ul> </li> <li> <p><strong>统一结构化输出</strong></p>