DeepSeekOCRPDFDocument AI

DeepSeek OCR 返回的每一页,都得检查有没有识别完

DeepSeek OCR API 按页返回原始识别文本,HTTP 200 里仍可能有错误,length 表示该页被截断。检查页数、结束原因与坐标,再把结果送入知识库。

查看接入文档
DeepSeek OCR 返回的每一页,都得检查有没有识别完

DeepSeek 在 2026 年 11 月 13 日开放的应用 API 中,包括一个独立的 OCR 接口。它会返回逐页识别结果,不会把文件存进 Files API,也不会自动交给聊天模型问答。准备把扫描件送进知识库时,应该先检查每页是否完整,再决定哪些文字可以入库。

尤其别只看 HTTP 200:识别开始后响应状态已经发出,后面仍可能返回错误对象;即使拿到 pages,其中某页的 finish_reason: "length" 也表示那一页文字没有识别完整。

本文于 2026 年 11 月 19 日核对官方更新与 OCR 指南。没有上传真实文档或验证识别效果。下面只演示请求形状、结果检查与可复算的坐标换算。

什么时候选独立 OCR,什么时候直接问文件?

独立 OCR 适合你需要控制后续处理的场景:保留页级结果、检查阅读顺序、提取引用位置、建立自己的检索索引。文件问答则会由服务完成解析与上下文组装,相关入口见DeepSeek 文件输入与读链接。

两条路径不能混成“上传一次,以后都能用同一个文件 ID”。OCR 请求直接上传文件,返回的是这次识别结果;后续持久保存、分段和向量化由应用自己安排。结果里含文字也不代表其中的图表已经变成可供模型视觉分析的图片。

上传文件得到页级 OCR,再检查完整性,最后由应用保存并建立检索

请求只能传哪两个字段?

官方端点为 POST https://api.deepseek.com/v1/tools/ocr,使用 multipart/form-data。必填字段只有 file 和 purpose,加入其他字段会返回 400。不要把聊天接口的 model、stream 等参数一起搬过来。

curl --silent --show-error "https://api.deepseek.com/v1/tools/ocr" \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -F 'purpose=text_recognition' \
  -F 'file=@public-demo.pdf' \
  -o ocr-response.json \
  -w 'HTTP %{http_code}\n'

这条命令需要本地官方凭据与公开演示文件,本文未执行。不要手写缺少 boundary 的 Content-Type,让 curl -F 设置表单边界;也不要加 --retry 后就假定重复提交没有代价。

purpose 两种取值的处理差别是:

取值当前官方行为
text_recognition没有图片的 Word、PowerPoint 直接抽取文字;其他文件逐页识别
rich_layout_recognition所有文件逐页识别

可接受 PDF、DOC/DOCX、PPT/PPTX 与多种图片,格式按实际文件内容判断。当前上限为 100 MiB、1,000 页;上传须在 120 秒内完成,停顿不得超过 30 秒;从上传开始到识别与结果的总时限为 180 秒。大文件超限或总超时,先缩小文件,不要只延长客户端等待。

收到 JSON 以后,怎样判断可以入库?

识别期间服务会发送换行保活,最后才返回一个 JSON 对象。这些换行是前导空白,普通 JSON 解析器可接受;它们不是 SSE 的 data: 事件,也不是一页一页的输出。

下面在本地检查保存的响应,先排除错误,再验证页数、页序与结束原因。EXPECTED_PAGES 必须从原始文件独立确认,不从响应里抄过来。示例用两页教学文件,本文已用合成响应验证这些分支,未运行真实 OCR。

import json
from pathlib import Path

EXPECTED_PAGES = 2
result = json.loads(Path("ocr-response.json").read_text())
if "error" in result:
    raise SystemExit("OCR failed; inspect the error before retrying")
if result.get("object") != "ocr.result":
    raise SystemExit("Unexpected response type")
pages = result.get("pages", [])
if result.get("page_count") != len(pages) or len(pages) != EXPECTED_PAGES:
    raise SystemExit("Page coverage mismatch")
if sorted(page["index"] for page in pages) != list(range(EXPECTED_PAGES)):
    raise SystemExit("Missing or duplicate page index")
incomplete = [page["index"] for page in pages if page.get("finish_reason") != "stop"]
if incomplete:
    raise SystemExit(f"Review incomplete pages: {incomplete}")
print("Coverage checks passed; compare text with the source before indexing")

stop 只表示没有因输出长度结束,不证明 OCR 没漏字或读错。仍要目视比较否定词、数字、双栏顺序和表头。length 页不要当完整证据入库;可以从原件导出相关页或更小区域重新处理,并保存与原件的页码映射。

先检查 error,再核页覆盖、结束原因,最后对照原件内容

坐标如何变成页面上的框?

逐页识别的原始文本可能保留 <|ref|>、<|box|> 等特殊标记,以及归一到 0–1000 的坐标。直接抽取文字的文档没有这些标记,不能据此判定服务坏了。

官方给的矩形格式是 [[x1, y1, x2, y2]],原点在页面左上。要定位原件上的区域:

横向像素 = x × 页面宽度 ÷ 1000
纵向像素 = y × 页面高度 ÷ 1000

以指南的示例 [[52, 40, 948, 96]] 为例,在宽 2000、高 3000 像素的页面上,左上角为 (104, 120),右下角为 (1896, 288)。这是坐标算例,不是一次真实识别结果。实际渲染需保持页面方向与尺寸一致,裁切时再按像素边界取整,避免框落到另一行。

归一化坐标通过原页面宽高换算为像素位置,保留原页与框的对应

别先清理所有标记再保存唯一副本。可以另生成便于检索的纯文本,同时保留原始结果、原件版本和页码;以后做PDF 引用定位,才有依据找回来源。

超时断开后,能马上重交吗?

不能把客户端断线当作识别取消。官方说明,文件接收后识别会继续,完成后按成功页数计费;连接断开时,尚未完成的识别也仍占用并发。当前每账户最多 15 个进行中识别,与聊天模型单独计数。

如果已经拿到明确错误,应按原因处理:密码、无法解析、页数或大小超限先修文件;识别总超时先拆小;服务暂时繁忙或内部错误才考虑稍后受控重试。若只是本地等待超时且没有完整响应,先保留时间、文件指纹和提交状态,检查官方控制台或联系支持,不默认整批重提。本文没有核实一个可用的 OCR 结果续查端点,因此不提供虚构的查询命令。

官方还注明响应中的 usage 仅供参考,不用于计费。不要从这些 token 数推导一份 OCR 账单。

需要把结果接入 Dify 等知识库时,先核对文档解析与问答流程,再做后续检索。本站连接基础不代表提供 DeepSeek 独立 OCR 端点,本文也未验证本站转发该功能。

相关文章

用 Nbility 跑通你的 Agent 工作流

获取 API Key,统一接入 OpenAI 兼容模型和开发工具。

获取 API Key