利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

把PDF上传，然后让他抓取文字，并修改可能的错误。
. X: D1 A; k' Q( y0 P$ H/ Y+ T然后deepseek完美的完成了任务。
8 m* V5 v* ?4 k+ ]6 w' R. x, i; c段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
) V& a: S+ z# s& Z赶紧把自己那些成年老书给搬出来，deepseek，这是党和人民考验你的时候了！
====
中文也很完美。
经验值，每次十页比较稳定。
现在我这里API还不能用，等恢复了，全自动了。
====
第二次疯掉了！
我上传英文文件后，让他抓取文字，矫正，然让他按页划分，前面放英文，后面放中文，结果仍然完美。
====
  l' R7 E6 [; P2 |6 }现在我让他从PDF抓取文字，矫正后，按段落翻译，可以一次翻译多个段落，每次翻译不超过一个固定数目，结果仍然完美。
但是任务多了后，每次翻译的页面数是减少的。
7 _! X. B: t9 r好吧，我五体投地，继续探索。
; G1 e- ~7 f. |( n$ y====
5 W- L0 H6 Y7 h+ i" M9 [0 y, F为了防止中间结束，可以告诉他必须所有页面全部处理完就可以了，我现在是应该佩服我自己呢还是应该佩服 deepseek 呢，抑或都佩服。
====
" o( ?- `9 t9 @# B: e8 c9 j  L好吧，有些东西是不给翻译的，哈哈。

5 v3 ?& z- q9 s. rSorry, that's beyond my current scope. Let’s talk about something else.
# o  q7 j8 O& i====
然后我的英文命令也让deepseek 帮我修改，呵呵。
9 W) ?5 d" Y/ V$ ^* W+ q: @( V====
, Y3 N4 l  ^& I: }4 `日语的文本他也可以处理，过程一模一样的。问题也是一模一样的，假名太多，汉字很少，我不懂日语，翻出来都不知道对不对。
====
* Z& ^- ]* H, v( s( p# b时间段的话，北京时间的下午和晚上用比较好。
/ @3 F; e8 B% N: d# a% ]8 m6 q后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
用千问吧，非常稳定，非常强大。
) j+ x+ `* U4 x. X% F1 ^0 x+ hhttps://chat.qwenlm.ai/
+ I" f$ p* b# L  g4 O& Z====
2 y# x1 [7 _7 |. [Deepseek，API 看上去可用了，但是不给充钱。

  ?+ @2 N5 C  p6 x5 s* a  f
. R$ V( ]8 T8 T% X$ a0 g* z4 D
' ?; m$ `- Z! p5 E: ~" g

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
这功能很赞呀

简直太赞了，我现在正在思考还有什么工作需要 deepseek 干的，现在的上限是我的上限，不是 deepseek 的上限。

indy

有没有上传整本书试试

nanimarcus

indy 发表于 2025-2-2 04:13
有没有上传整本书试试

* K6 a, w; y9 \目前看来，差不多十页左右就停止了，看看还有什么诀窍不。

马鹿

/ M+ p3 P  e0 W) D
以后让deepseek 读出土的竹简
: t' e# t5 x9 p- c& A' ]1 X* i) T
还有把古文翻译成现代白话
) ]9 z" c* c6 R4 T3 P7 e- g
以后不认识的字不查字典了， 直接问deepseek

方恨少

请教是如何实现的？

我在网页版和手机版都尝试了，都不行，网页版上传PDF文件始终不成功，手机版上传之后，发出指令提取文件中文字，始终是文件解析中。直接在DS里问如何上传PDF文件，并提取文件中文字，照做其实是一样的。

nanimarcus

方恨少 发表于 2025-2-3 01:23
$ \. Z" J6 T: u& g' n请教是如何实现的？
, N6 J& D! N. |( J6 A1 |0 V
: W. L$ Y; b' K% F  |5 ^4 N我在网页版和手机版都尝试了，都不行，网页版上传PDF文件始终不成功，手机版上传之后 ...

; a. x; J$ T7 j2 }7 Z/ k" D
' W$ P2 V# \0 ?5 Z  q$ G: H我现在也上载不了了，"upload failed"，几个小时前还好好的，应该是服务又受攻击所以功能收缩了。
5 c! G3 X- s6 C9 J! U; i+ ]文字之类的没问题。估计deepseek现在暂时只保证主要功能。
) t# S3 `6 ~& \$ M2 r美国人就这样，打不过就耍流氓，估计要等一段时间才能完全恢复。
+ j8 s; n( q- u5 d, M) X

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

( p! d1 ^' D+ w) s6 S* H$ ~  Q我在网页版和手机版都尝试了，都不行，网页版上传PDF文件始终不成功，手机版上传之后 ...

3 D1 @- @% Z$ }9 K  f4 `2 zhttps://chat.qwenlm.ai/
3 u8 D  [3 {6 N& L& N) ?0 ]试一下千问，估计美国人没有攻击他，所以资源敞开用。
很稳定，质量不错，好像最多一次处理15页。
我直接拿deepseek的指令用，没有区别。

heinsect

试了这个工具，可以转成markdown，正确率很高，有漏行，图片会放在一个指定的目录下。
处理一本100页左右的扫描版本的中文PDF，一份某行业的接口标准，纯CPU，几分钟时间。
这个工具不能处理表格，我把文件拖到豆包里，“把这个文件中的表格转换成 markdown。只是表格，不需要其它内容”，表格多的话，要发好多次“请继续”。
1 c0 a5 ]3 {# O4 \0 g8 Z
https://github.com/oomol-lab/pdf-craft
& e8 ~' Y2 O7 {3 ^: `
( ~* @2 N' X' U+ v# {6 E) m3 d6 e1. 这个工具要求装 python3.10
2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
  F5 R% Q* }, q* F) l, I3 ]+ n3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

2 u5 D8 n) \" T' d& n' t; M7 f

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ; |5 ?4 W+ ]5 c% z
2. 
   4 H( D* W3 r! g. ?& B( d
3. extractor = PDFPageExtractor(
   8 _- k0 o( M1 u# {- a
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   ( w, w) e. Z: E: {! R& s
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   9 L, l# W* v' N: s+ @
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

要修改的内容：
" B/ x8 U5 v- ~4 z+ ?$ x4.1 /path/to/model/dir/path：存放模型的路径。第一次运行这个脚本会从 huggingface.co 下一个模型，国内的要科学上网，国内的镜像上没这个模型
4.2 markdown_path：输出的 markdown 路径文件名
/ M3 w: [, R- p4 p1 h6 w1 W+ B% v$ E6 B4.3 /path/to/pdf/file: 输入的源PDF路径文件名
, }0 q6 B+ M/ ]; X4 ]. o# \6 _
5. 运行 python3 a.py

nanimarcus

* b4 m( d2 h7 ~, K2 r5 U目前为止PDF转纯文字的最佳办法。
先写个小程序，把PDF按章节切成小的PDF。
/ _* e3 B7 ^/ O; f3 B  J& d然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
3 `4 ?  W% A% {9 k7 F! [
deepseek 把页脚页眉页号全给去除干净了，跨页的段落也给你修好了。
而且deepseek不会加戏，chatgpt有时候会想当然的加上没有的文字，让句子看上去想那么回事。
4 p( Z# i1 \# r- s5 g我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

API到目前为止，差强人意，不如网页版本修得干净。

deepseek可以同时开四个。

三力思

" ^6 g2 e: r1 h2 S) ^2 Z2 ~让Deepseek给你开发本地架构的抓取PDF软件，并负责上传，下载。 AI监工AI。 LOL

nanimarcus

三力思 发表于 2025-4-17 12:26
让Deepseek给你开发本地架构的抓取PDF软件，并负责上传，下载。 AI监工AI。 LOL ...

细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
细说一下，听上去很不错，多谢。

直接问DS，“用C#，JAVA语言开发把PDF分成单页PDF并上传DS程序的源代码”

nanimarcus

) m( _' j' _6 ~, j已经搞定.
& s; ?% \0 B/ H/ o. H9 T; C6 H' H
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

: y1 n  O7 ^7 c1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
0 w: M2 F) p2 \& Q+ j! e5 [& d
得到text file
/ l7 h- G6 Q/ J6 J7 n, c
. D1 r0 ^) K1 K. |3 ?3, python 读取整个outputfile，丢给deepseek 矫正。
+ J0 A2 o; R- s) g# }, l
模型是 deepseek-chat
/ h6 Q% C; k: y
- y$ C, A6 i5 M2 r" U' w. ^max_tokens 最大是 8192，别的不用改。

参考：
. l6 M) |  h4 o1 @9 x" `https://api-docs.deepseek.com/api/create-chat-completion

4，费用：

+ T. {* W9 |) @; N4 Z: {实测：
" Z# t1 ?6 Y8 O/ G
/ T7 f8 J0 Z* K+ g( S4 [. r' M! @( L296K 字母，用了 9 美分。
* h7 w! L, J2 N6 J* X4 K4 F& ]
  O: c9 L. H9 S( \7 q  y2 q1 o& V英文字母 到 token 用量大约 1/3
& Z- g" k- Q& S- x1 f
, K1 B! k5 k6 ^" `3 H# btokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
4 j1 T3 ~* e) t
$ e* U! P+ T+ S: z. U0 n32899 个字母花费 11782 tokens，包含输入输出的 tokens
1 {% B5 C, S  @$ l" D4 ^: Z3 z
0 d! Y% s5 B6 A! F+ z8 a8 |价钱，非常非常便宜了。
! q9 p. a0 i& P/ D3 i+ P
参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
+ Z- e& u+ u" q1 G8 N: u; D8 X0 @
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
: x( z$ C: S: K# B3 g8 F1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
6 \5 T5 q) A$ q1 ^" U0 Q参考：
https://api-docs.deepseek.com/api/get-user-balance
. e0 q* v; L/ c
0 {7 s4 R$ M/ i* m9 _0 |% g9 a6, Models
! k0 d% Z( r* p+ ~/ f
目前就两个
+ j6 E4 F. X. x" e$ |9 h$ n; K# deepseek-chat
2 K% D, i  M1 @$ f' b* J# deepseek-reasoner

参考：
  @; m. q8 i8 D- n& c1 ]& Yhttps://api-docs.deepseek.com/api/list-models


7, 问题
8 g. @7 k0 c0 C8 p  t, n0 X; K6 K' `5 Z8 k
deepseek 会将前后两段合成一段。
' n- l% \8 I( q  K" B' S* ^特别是那种大量的对话的段落，deepseek会给你合成一大段。
' G2 l  ]* ~) T/ {9 Q
8, 钱说了算。
3 W7 p2 L. e9 O/ `: x
deepseek 如果是免费的网页版，有时候会出现超出范围的提示，不干了。
但是API就不会出现这种情况，毕竟我们给钱了。
chatgpt也是这样的。
* d1 ~% X7 R; B5 ?. s7 b2 }0 O