利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

* `2 I7 Q, K' M5 K- l- K/ P
把PDF上传，然后让他抓取文字，并修改可能的错误。
然后deepseek完美的完成了任务。
段落清楚，列清楚，页眉页脚全部去掉。
+ U' ?  R) F9 b, [5 {6 X) v" r我要疯掉了！
& E9 `. g2 y" R8 Y" \, t7 O9 e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。
2 z8 [: h0 ~7 v& x0 H; A现在我这里API还不能用，等恢复了，全自动了。
4 v& M7 K4 f! X" M  s( U! Z====
* L" {" D! e: ^. M2 B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。
# `- `) z' }0 T0 O. q/ W9 h====
8 D8 r& t& n- u2 t  W+ ^+ O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。
# n8 Q( A* k- N1 N5 v4 B( c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。
5 X8 V. t6 j2 Z' s/ |$ q: E# @====
) p  k  J" V9 _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。
====
好吧，有些东西是不给翻译的，哈哈。
# n" k7 n  j! _+ Y2 X+ V& F
' a: i* d, o2 k6 ^7 W& ?+ z) USorry, that's beyond my current scope. Let’s talk about something else.
4 s8 {4 `' @9 h  P====
3 v9 e& U* o9 y/ [6 J# Z7 P然后我的英文命令也让deepseek 帮我修改，呵呵。
' @6 @9 o" m: V& j1 ~====
) n" n7 T2 q: A  q* p! S$ a& {' R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。
% m. ?0 ?' e$ k/ e. O. h* c# c后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
) o0 f' p5 ~# X* Q, `  M====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
# z' l0 f' C- V8 ^6 z6 r- p" v====
Deepseek，API 看上去可用了，但是不给充钱。
/ f+ C( h/ C2 I+ W! p' @. N
* X! |; Z) b  j
) b9 ~/ f. |, N+ @& c8 l6 D
1 S  i5 I6 _# o4 E0 T

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

8 p' v" x0 S+ t0 u9 f6 t* c3 B: z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

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

( ~8 K( O) }& a以后让deepseek 读出土的竹简

还有把古文翻译成现代白话

$ q% q2 p, E  @2 w( `; e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？
& E) Y) t! z& f5 j/ ^7 s
! o! k6 @( L: P+ c8 d" E5 c* U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
+ z4 T* H! J; b# Z4 _6 c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 ...

  @, ]4 t4 M' I6 _& 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。
1 ?( k5 N  _1 [/ r文字之类的没问题。估计deepseek现在暂时只保证主要功能。
; L5 i6 x& w( A# N% P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。
" h6 P4 A$ o  G4 v+ h- F; t

nanimarcus

方恨少 发表于 2025-2-3 01:23
- r% t) d' x* b请教是如何实现的？

% U% B" R2 S8 F' k1 B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 ...

, J0 p4 n8 l: b' n" C& A) k, Mhttps://chat.qwenlm.ai/
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。
& b1 {- U& ~) }8 S: o* 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。
* k' h2 Y6 U7 w- K/ c: X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”。
  N1 S, h& k$ `0 K5 s- H
https://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
4 L$ b' f, Q# `1 U1 O- @0 ?- A2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
' v' [! D( W4 d1 L# _3. pip install pdf-craft
# S3 S, M" f0 \( F. P4. 把下面的内容写到一个文件里，例如 a.py
+ Y! y: _3 E7 [, R, ]3 O4 ^

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   2 g/ v' \+ Y2 T; O/ U  W5 Z
3. extractor = PDFPageExtractor(
   ; P2 e& B2 c# T
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. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

- f* \. b+ t/ z, N& y要修改的内容：
4.1 /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
4.3 /path/to/pdf/file: 输入的源PDF路径文件名
( A/ Y- T3 X) k! o" u6 y8 V9 e
# z, e: d% @- X  [: o1 G/ Q5. 运行 python3 a.py

nanimarcus

6 J8 f6 N/ V) B+ ~
目前为止PDF转纯文字的最佳办法。
6 Z5 U9 O+ u$ T7 C4 V1 G- @0 C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。
效果非常好。
. W6 i3 ]8 }, S0 h* ?: v
0 i! P" D- V+ T- h6 U0 Bdeepseek，qwen，chatgpt 三个，deepseek是最好的。
2 p6 w% X0 V) w  ?' K
0 z/ S; [+ _$ E8 t$ Rdeepseek 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。
8 V6 {1 ?2 ^1 g我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
# U$ }2 U0 Z; c) N# ]3 P+ {
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

/ U2 {' q3 m9 p9 j- N5 [4 x+ a  ]
% S5 B$ Q( e4 r! d" y% C% |+ Y# f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
& x2 K& }1 _9 K: E% m8 o8 O; s; }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 ...

8 @! r- |) O! H; O* y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。

  R8 H9 b0 n5 N( Y; a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

7 Y+ M+ G( ?+ ^  Q
! x, o& B- }2 s+ H6 l已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
$ {4 Q2 F- e. Z, D  b
. ]( W3 ?: D* P, L2 m: ^/ ?1, python + pypdf 按章节拆分小的PDF

6 Z" \, M( n6 }6 Z2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

' r- Y" n% o+ Y; I6 O* i得到text file
+ n+ d5 U7 }, v
; V6 Q5 p% |# L' Q7 b3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
$ U: K9 [1 E5 L# H- m# Z+ w2 g
7 E& e- @& y* p/ i( x# @# O' _max_tokens 最大是 8192，别的不用改。
/ z: O2 L% Y/ \& U
( m) n& ?! p4 g' R1 }  Q参考：
https://api-docs.deepseek.com/api/create-chat-completion
  l# `# q4 U8 @: k
4，费用：

实测：

296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
* e" S( g9 A4 ?  A, `3 w  F
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
, J5 _9 w6 a; Q& Q1 g: Y4 @7 R
32899 个字母花费 11782 tokens，包含输入输出的 tokens
5 t9 S( ~5 H  s$ Z  o
- C8 J8 D6 b3 ]9 l2 }价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
2 f5 W" z( n! o2 }7 s0 ]5 I
https://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
6 ?5 h  z: o4 j* E+ |9 o+ H1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
* P8 C4 |1 [, F9 h8 M  _$ 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。
" }, q# c' i, O参考：
https://api-docs.deepseek.com/api/get-user-balance

6, Models

目前就两个
# deepseek-chat
) N1 U7 T1 |, K- J# deepseek-reasoner
3 _2 i- E% z1 c& Z  Y5 a$ ^- @
参考：
, t3 h4 W3 ]  O8 ~https://api-docs.deepseek.com/api/list-models
0 ?2 @1 }# o4 m  g# z9 a

' z. q. E  k, o; Q9 T1 v. p7, 问题

: Q; K$ }; |5 R& f* S& @# m8 `' Zdeepseek 会将前后两段合成一段。
: ?9 G/ l6 u2 k6 {6 q特别是那种大量的对话的段落，deepseek会给你合成一大段。
: p6 F; [4 \( ~' \
8, 钱说了算。
5 K9 {5 e( @  }3 m. Q' H. D
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。
+ K( o( M5 U$ l7 x8 D' {+ ~7 \! g但是API就不会出现这种情况，毕竟我们给钱了。
, |8 \( j* \; ?chatgpt也是这样的。
& \% k9 V8 C& n$ u! a$ j+ X0 y