利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

2 B# X2 q) K, f8 Y# w8 d4 r
把PDF上传，然后让他抓取文字，并修改可能的错误。
5 P2 h7 C+ b4 L" O+ L  z然后deepseek完美的完成了任务。
1 @8 P& @. J8 Y0 o段落清楚，列清楚，页眉页脚全部去掉。
! a1 G5 k8 M1 P% ?我要疯掉了！
; n  L% u5 t' a! x- {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！
4 A8 O' z0 O% v2 [; _$ Q2 t====
中文也很完美。
  I& R7 _2 u) [2 d+ ?+ Y1 x( M' j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。
4 W3 _) H: J& [3 J8 d====
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。
好吧，我五体投地，继续探索。
; v$ Q$ X" U' G& t  X====
1 X; h* @) g! r9 d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。
( a  f* Z/ o; P6 B, m% D====
好吧，有些东西是不给翻译的，哈哈。
1 f  `  v" W& l2 p# @8 M
Sorry, that's beyond my current scope. Let’s talk about something else.
0 U* }9 t  K0 |. m  `. N" E& O6 l====
然后我的英文命令也让deepseek 帮我修改，呵呵。
; b- @5 z; K: ~: s1 [7 L6 b6 ^====
5 A# R  B2 H9 R# U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。
====
时间段的话，北京时间的下午和晚上用比较好。
# d9 ?! }7 f; ?& P& C# i$ T' l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。
0 b7 z( ?0 u* J  o9 D6 qhttps://chat.qwenlm.ai/
$ h% ?0 s0 ~% z; ~# X" Z====
+ N1 F  o! }6 Z( _Deepseek，API 看上去可用了，但是不给充钱。

6 |; P! ~( ~" i* a  o3 f

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
" H& j2 b# e% I! ^+ m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
' x3 A0 Y  k& i有没有上传整本书试试

& ]- {( g- B; R0 c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

以后让deepseek 读出土的竹简

5 ]& e; s/ `3 q/ x) K! g" w还有把古文翻译成现代白话
; |- J8 k* p& T7 H, [
; G% j- E' n: b4 }+ b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？

9 y# L6 ]3 o( T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
2 t* `/ M: m& n, z$ {9 b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 ...

" y+ Z- e; g, N; W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。
' F3 d8 H2 M1 R' G0 E文字之类的没问题。估计deepseek现在暂时只保证主要功能。
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。
4 T1 ~+ ?5 g2 q( u# _# a# ~

nanimarcus

方恨少 发表于 2025-2-3 01:23
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 ...

; r8 Y7 m& ?( p( T+ ohttps://chat.qwenlm.ai/
; d, o- c1 E  B& J8 X, O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。
, b/ z8 x7 ~0 n* P; K  t" l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。
" y, t0 ?: k5 Z2 E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。
  g9 C3 Z9 p! i: p) ]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”。

https://github.com/oomol-lab/pdf-craft

1 A5 i4 ?% ?5 l" L" ]8 v& t1. 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
3. pip install pdf-craft
3 ?3 I  C4 J! F% v0 \" U9 |' J' H7 e) \4. 把下面的内容写到一个文件里，例如 a.py

% X8 x5 J% E6 Q4 @6 x

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   - ]% e8 u3 O0 Y! [; D' O7 }
3. extractor = PDFPageExtractor(
   6 m9 m2 @7 g" A- r. f
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   3 M" B) j: Q( T% c3 i
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   $ t. x- x- Z& I5 ]! t$ o  o# @
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ' q  ^0 P, A  @7 @' J! O& M6 [  n
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

! ?) D/ `) Y1 t+ R* I- P* k. n/ d
要修改的内容：
; G$ {7 J& H, Z3 j9 V2 s4.1 /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
9 f. ?! j# E) K$ q2 }4.3 /path/to/pdf/file: 输入的源PDF路径文件名
% {0 }3 {' W' k) E* z
5. 运行 python3 a.py

nanimarcus

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。
然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
' _0 v# k: X. R# n) K! a效果非常好。
& c4 L6 t4 t3 r, U$ L, @
( o/ G  Y" ]2 ]% c+ Odeepseek，qwen，chatgpt 三个，deepseek是最好的。

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。
) X- P! i+ j1 x$ Z# c$ Z0 \# v. \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。
我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
# _! _$ l' ^" ^; b: A
" i" A3 w; L, e. A2 k/ J, ~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。
6 V6 a( R* X& v  |$ }% G

三力思

4 A  J, P  e9 A/ a9 F2 C, g. x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
2 B; w9 H1 r6 t8 J/ w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
" j0 i' P" O3 q# H1 c+ k6 M* A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

8 T- L2 I! t3 B3 s9 P) k
已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

1, python + pypdf 按章节拆分小的PDF
- M+ Z* \9 D! ^/ l" F- s2 h
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file
& e2 R" U+ w6 G2 p+ k3 }
3, python 读取整个outputfile，丢给deepseek 矫正。
8 c  w$ l: v" h+ K, R0 E
. W. m- Y+ V: d: l9 }" E& B* J6 p模型是 deepseek-chat
' O8 }& y% x* ~# e6 a
max_tokens 最大是 8192，别的不用改。
7 r8 @% h: h5 W  W) `" K
参考：
https://api-docs.deepseek.com/api/create-chat-completion
: d* [% N& c4 k7 k' V  N- _
3 R' W( U0 ^" K0 b- f3 X, M( h0 g4，费用：
4 [- L8 C' E: b8 X" t6 f
实测：
* k6 ?& K' T* H
- ^; J/ n9 J/ i- }296K 字母，用了 9 美分。
) C7 Y( z6 k. X/ K" D
英文字母 到 token 用量大约 1/3
% f& C3 H+ r+ b* t% _
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
4 e" H9 m  W4 @3 b8 G/ V
参考如下可以计算，懒得算了。
3 u1 `% f/ K% J& i
+ z) [! F4 A; w* xhttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

9 O. P; x$ Y& z: L& d& }: ]5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
1 q" v' l0 m3 P3 |. \  N: T7 g2 i参考：
* F$ w8 p* i9 j& ~9 a) Uhttps://api-docs.deepseek.com/api/get-user-balance
7 }% A; {9 e; \
6, Models

目前就两个
# deepseek-chat
* ^0 Z, [/ _- }. a$ F2 \6 ~1 h/ {# deepseek-reasoner
$ m. R; X8 U7 m* S# f
4 m0 N; W7 I  K- M/ M* F参考：
9 x! J8 n1 M- K) l; \, [3 ohttps://api-docs.deepseek.com/api/list-models

" j* M' k0 _+ I8 M, @  d9 J
8 t1 |- x9 U8 O0 n0 Q7, 问题
: N6 p2 O/ H4 \3 T$ c; A/ ]
deepseek 会将前后两段合成一段。
0 \* r" b% W6 e特别是那种大量的对话的段落，deepseek会给你合成一大段。

8, 钱说了算。

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。
# Z" {1 ~& H, r1 H; |chatgpt也是这样的。

& I  h, s5 ~0 P4 Z: ?7 X% x
1 G& v* z9 `, _' G. m/ t5 |6 A