利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

2 N4 E; s( d5 Z# C, B
把PDF上传，然后让他抓取文字，并修改可能的错误。
7 v& A9 x) ?: v% l: X4 }$ K然后deepseek完美的完成了任务。
$ z7 N9 V8 B8 Z8 P; n段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
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！
====
+ r8 h) v3 Z1 S# B: ~, y中文也很完美。
! j) n  R( R, p) t1 j. A3 v; b; o经验值，每次十页比较稳定。
( y6 c0 j/ t: m: o现在我这里API还不能用，等恢复了，全自动了。
5 N+ W; c/ X- \1 H/ {====
第二次疯掉了！
+ X' b; }  X4 G) Q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。
====
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。
2 j. i' S( a  J+ K! m6 Z好吧，我五体投地，继续探索。
====
6 \" }" B0 t- {1 g: [: J' I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。
( Z$ z+ C! P& q3 d# S
Sorry, that's beyond my current scope. Let’s talk about something else.
8 J' p0 j# W/ |) o7 R6 X====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
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。
7 Z6 ^' F5 [: y% h( W; V9 }! _' z====
  V8 P) j9 l) ?, u3 w时间段的话，北京时间的下午和晚上用比较好。
9 q) m3 @4 Y  k, q" }, U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。
; F& V/ {. _) Phttps://chat.qwenlm.ai/
====
4 E1 R; o0 w' h3 f' cDeepseek，API 看上去可用了，但是不给充钱。
! i' _: b( T. ]. C* T2 {0 |

; k  ^) y# g! f5 A  q7 |
; u. N7 R$ Q% R3 P4 V+ R8 r

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

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

/ h- }7 l9 J  Q7 O
+ \2 ^2 v* w" _6 c以后让deepseek 读出土的竹简

还有把古文翻译成现代白话

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
. }# E$ w/ J3 D请教是如何实现的？
' a. T( o6 n8 x; Q" \6 Q
2 J9 A7 ?, f, l! k2 z8 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 ...

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。
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。
  f0 m! S, R, r5 \6 \5 F& y+ a

nanimarcus

方恨少 发表于 2025-2-3 01:23
: \) X# k3 T2 b. u7 t& r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 ...

! O; j$ M7 S- b, r% X# {https://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。
& q; M! Y7 y0 C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。
; V! ?( X# e8 }& l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。
2 ]5 i" v4 ?& {% z9 P. 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”。
  b. A/ U7 B4 h9 t( N  Q* W
6 @' [4 C* M) Z; f0 [& i" phttps://github.com/oomol-lab/pdf-craft
" }% t6 u# M, D
1. 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
, T7 e1 q) @$ g  x# O4. 把下面的内容写到一个文件里，例如 a.py
' Q$ q+ o7 V5 o/ X

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   % o6 l; u7 C8 S, m9 @0 B$ E$ b
2. 
   ) O- N5 O0 l' Q# ]7 v6 ^4 F
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   # s7 D9 P% m, k+ ]+ K
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   2 f4 K5 M* A) _) Y% ^: S/ F
6. )
   $ H2 E) K. L/ d5 I
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
     i# t9 V$ u/ ?1 C! u
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

2 r* r# o+ s; g4 ~" t
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
. {5 M. w4 y4 N+ _4.2 markdown_path：输出的 markdown 路径文件名
- g9 y0 s5 M! f: R3 A' j, g/ y4.3 /path/to/pdf/file: 输入的源PDF路径文件名

# B$ i1 p: N5 _+ C5. 运行 python3 a.py

nanimarcus

# Q4 a% k/ c6 {
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。
2 {& k, c; w1 [5 W( l' M! l然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
2 O" c0 @! y& Y+ \8 l效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
+ G$ k. O* C1 w2 e
2 K+ ?% \+ t: L3 \; S' D* o) Fdeepseek 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。
" h: s0 k8 P; `8 p0 ?我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
3 V+ v7 S4 D, F$ W+ x. y; t; w) W
API到目前为止，差强人意，不如网页版本修得干净。
* D; ^. J0 _* x; v. d6 q) n; T. Q
5 |7 N* u: W* F, y6 Ldeepseek可以同时开四个。

三力思

( z" q- h6 O. `* D' D
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 ...

! a7 ]+ F$ Y, c5 V0 ]" Z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

) Q2 p% N# e! G! Y" v
; L$ g1 \" ^. o8 j: F; r! I已经搞定.
$ @& k' N9 x1 z' q6 m/ C3 \
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
7 Q9 r, M1 @: @1 z1 {! P- U
; J- y3 n) e6 b% X/ d  ~6 A# c1, python + pypdf 按章节拆分小的PDF
; y% o1 `( N2 x$ z+ T
+ W9 R  ?% V9 f3 Y- C9 T& [2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
3 F' ~% X2 n' G8 j; S
3 m: S1 X) C0 s$ n% \3 S1 I4 c得到text file
: [9 S8 v+ K5 z$ |- \
3, python 读取整个outputfile，丢给deepseek 矫正。
# x8 A2 U* t+ \9 m6 Q
模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
) b$ g4 R: U$ N# i1 X. g) D# n
$ l& z% r; K7 S% ]8 M! m/ L% \, N5 E; V参考：
https://api-docs.deepseek.com/api/create-chat-completion

+ A3 @: ~9 m) U$ k! l4，费用：
5 ?$ [" t; B8 H* H
实测：
8 a& Z# r. v. Q1 }4 R  o" \3 v* F
296K 字母，用了 9 美分。
: L2 l" U& G( r- W5 ^2 k: |$ ~
英文字母 到 token 用量大约 1/3
+ T( ]5 l& U4 _- h: ?
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
, s& n* q' s0 k9 f) R
价钱，非常非常便宜了。
7 s! f5 f7 x" c" K( [# I
3 k3 z2 v+ ~. A' ?1 x- R$ b参考如下可以计算，懒得算了。
) b- ?5 e# c( Y# w! l7 C+ r% h$ w
( L* F" a& S$ x& n5 @# s6 J, g; Chttps://api-docs.deepseek.com/quick_start/pricing

, l  G) Y! o8 R. ^& Z+ q1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
0 T+ y8 _- |( c2 W1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

7 F2 K( c  n$ X/ h( r& X+ Z5, Balance
* v0 V" S8 p4 `% f4 ?- w  g
可以在程序里调用，知道每次运行结束后，balance还剩多少。
  c4 o1 {" f" q$ r( {# g参考：
( y  K2 e7 I/ K  Phttps://api-docs.deepseek.com/api/get-user-balance
1 ?5 N1 ^4 x0 n( F* y
6, Models

目前就两个
- [9 E+ q. m7 _# deepseek-chat
' G3 b; M5 Z. E# deepseek-reasoner

参考：
. Q; e, f& q1 b2 \) C3 dhttps://api-docs.deepseek.com/api/list-models

- W) B* Z+ m- u; T8 a0 _
7, 问题
, v' C+ N1 T. `& T
& p/ i8 H/ U% n. `4 |7 n+ Fdeepseek 会将前后两段合成一段。
& e5 W) ~2 o: b: F6 }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。
- G4 v" d' h( C4 _
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。
8 _! I3 A  p/ c! K4 }. y6 g# Q0 D但是API就不会出现这种情况，毕竟我们给钱了。
, X: j) \2 f  c" Wchatgpt也是这样的。
( T6 ]8 ]/ O) @* A; m7 c5 p7 u