DeepSeek-OCR解析PDF文件

import osimport requestsimport base64import fitz#如果没有这个库，安装的时候是安装pymupdfimport re

import os#负责打开或者删除文件import requests#调用大模型import base64#将图片转成字符串，方便传输import fitz#将PDF分割成图片import re#提取内容def pdf_to_image(pdf_path, total_pages):    """用PyMuPDF将PDF转为图片"""    doc = fitz.open(pdf_path)    for page_num in range(total_pages):        page = doc[page_num]                pix = page.get_pixmap(dpi=300)# 渲染图片（dpi=300保证清晰度）        temp_img = f"temp_{page_num}.png"        pix.save(temp_img)    doc.close()def ocr_image_to_md(image_path):    """单张图片调用DeepSeek-OCR转MD"""    #将图片转成字符串    with open(image_path, "rb") as f:        b64 = base64.b64encode(f.read()).decode("utf-8")    #调用DeepSeek-OCR    resp = requests.post(        "https://api.siliconflow.cn/v1/chat/completions",        headers={"Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json"},        json={            "model": "deepseek-ai/DeepSeek-OCR",            "messages": [{"role": "user", "content": [                {"type": "text", "text": "解析内容为markdown格式，原版输出"},                {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}}            ]}],            "temperature": 0.0,            "max_tokens": 4092,            "stream": False       # 显式关闭流式输出        },        timeout=60    )    #提取转化内容    raw_content=resp.json()["choices"][0]["message"]["content"]    #提取的内容有“}^tokens”这个字符串，不知道为什么，为了内容的干净，把这个字符剔掉    clean_text = re.sub(r"\}\^tokens\s*", '', raw_content).strip()    return clean_text# 核心流程：PDF转图片（无poppler）→ 逐页OCR → 合并MDif __name__ == "__main__":    # 核心配置（替换为你的信息）    API_KEY = "sk-替换为你自己的密钥"    PDF_PATH = r"D:\测试.pdf"  # 待解析PDF    OUTPUT_MD = "output.md"  # 输出MD文件    #获取PDF总页数    doc = fitz.open(PDF_PATH)    total_pages = len(doc)    doc.close()    pdf_to_image(PDF_PATH, total_pages)    print("完成PDF转图片")    # 2. 逐页解析    md_content = ''    for page_idx in range(total_pages):        # 转图片（无poppler）        img_path = f"temp_{page_idx}.png"        # 调用OCR        page_md = ocr_image_to_md(img_path)        md_content +='\n' + page_md        print(f"解析完第{page_idx+1}页")        # 删除临时图片        os.remove(img_path)    # 3. 保存结果，MD文件存在这个py文件的位置    with open(OUTPUT_MD, "w", encoding="utf-8") as f:        f.write(md_content)    print(f"解析完成！结果已保存至 {OUTPUT_MD}")