DeepSeek PDF Reader

Version Python License Tests MCP SDK

MCP 服务器，提供全面的 PDF 处理能力：文字提取（自动 OCR）、关键词搜索（支持正则）、表格提取（三路径）、页面预览（Base64 PNG）。

v5.0.0 重大更新：基于官方 mcp Python SDK 重构，12 文件模块化架构，支持 SDK 模式 + 内置 JSON-RPC 兼容模式双引擎。

---

🆕 v5.0.0 vs v4.0.0

	v4.0.0	v5.0.0
架构	单体 504 行	12 文件模块化 (~650 行)
MCP 协议	手写 JSON-RPC	官方 SDK + 内置引擎双模式
inputSchema	手动维护 JSON Schema	SDK 模式自动生成 / 兼容模式预定义
生命周期	不完整	lifespan 上下文管理器
日志	stderr 不可见	SDK 模式通过 ctx.info() 推送到客户端
打包	requirements.txt	pyproject.toml (PEP 621)

功能概览

工具	说明
read_pdf	读取 PDF 文字，支持 text / json / markdown 三种输出格式，扫描件自动 OCR
list_pdf_info	获取 PDF 元信息：页数、文件大小、是否加密、是否有文字层、OCR 状态、Tesseract 语言包
search_pdf	搜索关键词，支持正则表达式，返回页码、命中次数、上下文摘录
extract_tables	三路径表格提取策略：PyMuPDF 内置检测（有边框）→ block/line 结构化解析 → TSV 坐标聚类（无边框兜底）
preview_page	指定页码渲染为 PNG 图片（Base64 编码），可直接在聊天界面展示

系统要求

• Python 3.10+
• Tesseract OCR（可选，用于扫描件 PDF 的文字识别）：

平台	安装命令
Windows	下载安装 Tesseract-OCR，安装时勾选中文语言包
macOS	brew install tesseract tesseract-lang
Ubuntu/Debian	sudo apt install tesseract-ocr tesseract-ocr-chi-sim tesseract-ocr-eng
Arch Linux	sudo pacman -S tesseract tesseract-data-eng tesseract-data-chi_sim

安装

# 克隆仓库
git clone https://github.com/FLT1milize/deepseek-pdf-reader.git
cd deepseek-pdf-reader

# 安装 Python 依赖
pip install -r requirements.txt

运行测试

python test_server.py

预期输出：[OK] All 30 tests passed!

在 Cline 中配置

编辑 Cline 的 MCP 配置文件，添加如下条目：

{
  "mcpServers": {
    "deepseek-pdf-reader": {
      "command": "python",
      "args": ["path/to/deepseek-pdf-reader/server.py"],
      "env": {
        "TESSERACT_CMD": "C:/Program Files/Tesseract-OCR/tesseract.exe"
      }
    }
  }
}

提示：TESSERACT_CMD 可选；若留空，服务器会自动搜索常见安装路径。也可以通过环境变量 TESSDATA_PREFIX 指定语言包路径。

配置选项

环境变量	说明	默认值
TESSERACT_CMD	Tesseract 可执行文件路径	自动搜索
TESSDATA_PREFIX	tessdata 语言包目录	自动搜索

架构说明

deepseek-pdf-reader/
├── server.py          # 入口：SDK模式 + 内置JSON-RPC兼容引擎
├── config.py          # 全局配置（Settings dataclass）
├── ocr.py             # Tesseract 5路径自动发现 + OCR 调用
├── doc.py             # PDFDoc 类（线程安全缓存 + LRU） + 文档池
├── table.py           # TSV坐标 → 表格结构（无边框表格检测）
├── format.py            # 格式化工具（text/json/markdown 输出）
├── tools/
│   ├── read_pdf.py       # read_pdf 工具
│   ├── list_info.py      # list_pdf_info 工具
│   ├── search_pdf.py     # search_pdf 工具
│   ├── extract_tables.py # extract_tables 工具
│   └── preview_page.py   # preview_page 工具
├── pyproject.toml     # PEP 621 项目配置
└── test_server.py     # 30 个单元测试

双引擎设计：优先使用官方 mcp SDK（自动 inputSchema、lifespan、日志推送）；若 SDK 未安装，自动回退到内置 JSON-RPC 2.0 引擎，零额外依赖可用。

核心依赖：PyMuPDF (fitz) + mcp (可选)，OCR 通过 subprocess 调用 Tesseract CLI。

许可证

MIT · 详见 LICENSE