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。
" t6 A  w: B3 f; r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。
# W: D1 ?  r+ w) `我要疯掉了！
0 C% [4 h) u; x5 R  D9 P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！
$ X9 S7 R3 i7 T! l3 `+ L/ @====
" u9 W9 |- F. p3 q5 \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。
. u7 l$ b' n% I6 B$ H====
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- {4 ~, A9 l0 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。
. V3 c. J. P' O- B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。
7 ~8 t6 @; N8 T6 ?8 M% l====
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。
1 @& b2 M5 `0 s) V====
好吧，有些东西是不给翻译的，哈哈。

Sorry, that's beyond my current scope. Let’s talk about something else.
) Q. s+ E' d" ?0 g# ]====
/ X- s3 [8 d9 {然后我的英文命令也让deepseek 帮我修改，呵呵。
====
1 e# t1 m! z$ Z7 Y' T8 g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。
* ^8 H, v# ^) ?1 N  Q2 `====
6 j1 P7 |! }4 [* H, b6 q时间段的话，北京时间的下午和晚上用比较好。
/ h/ j) [- z  ?+ \后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
; G( _5 u, y* v7 P用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
1 v) j$ ~+ d) a3 J% [: `Deepseek，API 看上去可用了，但是不给充钱。
& `9 h# t6 V& @! C5 ?! t
6 N: X6 h4 U2 T. j7 O) I
9 u( K3 I5 D1 Y4 @* k  d

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
; g$ U' l4 i1 l5 ]& N9 v* W" V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
% i6 A! D9 }% |% Z/ J" \- _& C' q有没有上传整本书试试

! z2 ~% t, q; k" V8 S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
1 I7 U. [1 K! }( Z; ?: _
  u5 l6 {  [5 d还有把古文翻译成现代白话
) N- w) `" Q8 u
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？
: {/ ]1 k6 f2 ]6 _7 C2 e
) Z6 Q6 P9 R" Y: g8 J3 h, U* A6 w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
6 w% q% N% o, F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 ...

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。
% j* ^, h2 t* G2 v文字之类的没问题。估计deepseek现在暂时只保证主要功能。
) y( }1 ^: `* I4 n, k3 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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
* \3 X( ^. F0 x4 `. H8 j9 n请教是如何实现的？
# Y' ~+ i; ?: ~" y4 Y
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 ...

https://chat.qwenlm.ai/
' [/ ^$ z' h4 B5 F5 G  r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。
# _& ~! r9 S( K' h  p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”。
$ [' o0 u* j2 P0 u: L  m
: ^6 u3 t4 ~) H. xhttps://github.com/oomol-lab/pdf-craft

3 U& ~/ F. W( i6 x! v1 T/ a1. 这个工具要求装 python3.10
3 a, u: o, B+ [0 {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
4. 把下面的内容写到一个文件里，例如 a.py
- Y* K- ]- n: I' @
8 b; J/ ?0 a! V$ i! \% C" q

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   1 m4 o# a9 z/ U- o0 m4 Q
3. extractor = PDFPageExtractor(
   
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
   7 ?# l* C% a: H% l! ?
6. )
     p# u0 _( ^9 b2 y
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   ; d6 v! N5 _/ d5 z8 m
9.     md.write(block)

复制代码

要修改的内容：
- k* w4 O4 h& w( h' O# S# t4.1 /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

5. 运行 python3 a.py

nanimarcus

: U4 V  I& V7 F# ]' G; `* R目前为止PDF转纯文字的最佳办法。
  T  N5 s% U9 _" _2 j) v: Q先写个小程序，把PDF按章节切成小的PDF。
! I0 C7 b- r9 \  k$ ]) s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。
- {; i1 @, n. K/ b; N
' s8 K' h2 V9 V2 k- d/ pdeepseek 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。
9 H- i$ b3 }, A: v( _! V$ T% a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。

+ C- Z0 S# k, g+ Q! {% |: uAPI到目前为止，差强人意，不如网页版本修得干净。
) Z& K% \  Z% j2 b
deepseek可以同时开四个。

三力思

* W" [$ o  D2 L( X/ z" S
* j! G; c4 @2 }; F5 |- H8 a2 L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 H  m* v- y3 p4 T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 ...

: p, ~7 f# r. z- u, l" c+ [4 P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。

  M3 ~, I0 [2 z1 r0 v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

( L2 M$ w- Y, h1 U已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
4 G5 m& j7 q% K+ I+ h3 X5 T, z
, t/ R; \3 u* g* U: b1, python + pypdf 按章节拆分小的PDF

; e+ R% p2 C- v7 h# \* D2 D2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。

! J- V, b3 K3 _7 t6 V. G模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：

' H# \1 B) L1 H$ T- z2 ~实测：

2 y7 i2 Y5 a% ?  z( L296K 字母，用了 9 美分。

8 @4 Y5 R: h3 F英文字母 到 token 用量大约 1/3

0 x6 v# a% ~( b& L/ @" o& N3 [0 @tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

( {  V5 P0 n7 g: z! q32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

参考如下可以计算，懒得算了。

0 n' }' R& j0 [  S4 ihttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
) I4 ~2 D! N8 I9 _1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
# u; j/ y5 y" I6 ^2 [  |. I! O1M TOKENS OUTPUT(5)                                              $1.10                $2.19
& n' }# f  @: z/ `3 ^' K! m6 z. U
5, Balance
4 w( G, H1 i0 w) l
可以在程序里调用，知道每次运行结束后，balance还剩多少。
( U. C, e& O1 v% K参考：
https://api-docs.deepseek.com/api/get-user-balance

6, Models
! y* p& s$ b  E! z' x
9 f3 g4 {' z$ J" Y# V' M) f目前就两个
# deepseek-chat
2 p5 P4 f$ t4 d- ^+ I/ i# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models
4 J" c( x/ c8 g# W! R- D
( W% q% J8 d' H$ Z4 D& m
7, 问题

deepseek 会将前后两段合成一段。
9 c- B& M- n5 H特别是那种大量的对话的段落，deepseek会给你合成一大段。
3 r0 Q* j# a0 G+ U- m, `7 l
3 t# r6 I* q- L4 D: s0 S2 i8, 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。
9 K, H* \9 W* q, Gchatgpt也是这样的。