利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

0 \: P/ m0 |5 q
" w" j0 J6 j1 N8 t4 k把PDF上传，然后让他抓取文字，并修改可能的错误。
. T1 A( P! E6 H5 c* S. B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。
4 `" ?' j5 e3 Y% `8 i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！
====
. D) ~. Y. F7 h# W* E中文也很完美。
经验值，每次十页比较稳定。
6 D: s! ~* R$ s7 Q. x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。
* v7 v8 l: a2 |, }====
: O$ F1 w; ]0 `" X7 ]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。
/ ~* a( E& `4 ~; u7 e& ?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。
====
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。

Sorry, that's beyond my current scope. Let’s talk about something else.
! k; f% T( X. ^# W+ M====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
. }, M9 \' A9 ?8 C" p- y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 m5 q4 w$ V1 t时间段的话，北京时间的下午和晚上用比较好。
' x( J: ^$ `. F+ G) j后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
) L" l7 X# o9 R8 s====
用千问吧，非常稳定，非常强大。
0 J- @/ j! t' \4 r3 p5 S. m2 `; m9 whttps://chat.qwenlm.ai/
: F* ~& O' o( ^5 c7 l& L====
6 m+ P! c$ g* C9 xDeepseek，API 看上去可用了，但是不给充钱。
5 W% |( ?- g' M2 M1 u! [7 N

0 D5 a/ J# v0 |5 G

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
0 k3 l' A* e: n. i3 ?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

0 W( z4 q5 L; g% f. |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

* Y. m, |  q7 f9 E3 G! m% a/ {
以后让deepseek 读出土的竹简
8 L" }7 o3 a+ O; G0 ^. F& c! }
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？
  j" I  U- n2 P2 S8 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，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
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 A) w$ s  |: D* d0 N3 _/ P3 C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。
: _" _0 W# H' a文字之类的没问题。估计deepseek现在暂时只保证主要功能。
1 S9 Z/ [% h5 i: [: X. W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。
' ?( }& k+ e4 T$ e/ c5 d& f6 L. E

nanimarcus

方恨少 发表于 2025-2-3 01:23
# C! S2 r8 M: h2 b1 a请教是如何实现的？

, s/ i8 F' ~# O6 ^% F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 ...

5 Y) w$ w: B: ]  O  j, chttps://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。
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。
; s9 `1 M9 P( t  U/ V* W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”。
7 o+ X0 {: v) W2 N! t  `
https://github.com/oomol-lab/pdf-craft

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
, _" ?! r9 ?+ v1 B% L3. pip install pdf-craft
7 O$ D( m7 ]* O2 ?5 y4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   - k8 ~& a; K+ M9 _
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   : i6 u% q0 ^3 Q
6. )
   ! S8 R3 r3 ~% E% L4 q
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   * K* g; V! Q; Y1 A/ e5 G
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   5 M" ?+ Z( X& [, y; `
9.     md.write(block)

复制代码

( p# a- H. b' {2 Z
要修改的内容：
  L, {4 E, ^/ Z% i$ I- z4.1 /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
/ ?/ M" n. R  {% ?% l4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

/ D+ V3 b( W8 x" k9 u7 A4 T
2 W* X& z# ?/ e7 @; O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。
9 P$ p# Q3 i  Y% |. D效果非常好。
2 s; D0 R  a  w
deepseek，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。
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。
( N' c+ \7 Q) [: L
8 M. U1 r. H+ T( n+ l" Y/ aAPI到目前为止，差强人意，不如网页版本修得干净。
8 w2 H* F/ t' z5 Y( Q1 r
deepseek可以同时开四个。
; U0 S7 [1 ]0 ~3 t* k8 P- p" i

三力思

1 k. |5 y  B1 V. w' M2 Q. P
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

已经搞定.

. I2 L: |* Y4 U- {5 z  R: B首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
% V& G* e; O0 v7 Q
1, python + pypdf 按章节拆分小的PDF

/ H% w/ N9 j# D& O5 L2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
+ q: f9 h" L) Y
得到text file

: {0 O. M- A+ G0 N1 p" C" t3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
5 @" O1 u' H7 l5 D' D
max_tokens 最大是 8192，别的不用改。

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

6 P3 g" K) J3 g0 i* L4，费用：
4 {% `- @" T- @7 }
+ d8 F6 C" c4 @  P! H实测：

. y: E5 j0 V" D8 V4 d! |296K 字母，用了 9 美分。

. Z# E) \8 L/ ?3 G/ V+ E  b0 \英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

6 ?' X; k. G" b% N: r( l32899 个字母花费 11782 tokens，包含输入输出的 tokens
$ Q- d' z6 y. r3 |+ J1 S5 j, n
$ G: a3 C& }, B; A1 m, u价钱，非常非常便宜了。
/ u& L) }" T- e& {2 B2 A
" Q4 C; l% L1 Q8 H$ c+ D% b0 Y参考如下可以计算，懒得算了。
2 F! d/ j* G  x5 J3 _- f
https://api-docs.deepseek.com/quick_start/pricing
4 p- D' ^6 {: d
7 S' I) V  l0 n! _6 |1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
: n, K/ q: p% `8 T9 @1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1 {. j7 ?4 I6 X. Z2 A0 b1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
+ Y1 Q% \- x$ X" d* ^
$ O0 s1 |9 y0 w0 ^可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
/ r( G) p7 d9 K$ mhttps://api-docs.deepseek.com/api/get-user-balance

6, Models

& s! W5 P* H; c, D8 G, f目前就两个
# deepseek-chat
# deepseek-reasoner
" B3 x! G# X1 v5 F7 p
参考：
https://api-docs.deepseek.com/api/list-models
; Z6 J6 t1 _' f
% T2 ^2 B& _5 u$ n  R# f
! F. c6 g5 T( i! V7, 问题
+ \* |2 M. ?+ \) y$ E& I
deepseek 会将前后两段合成一段。
特别是那种大量的对话的段落，deepseek会给你合成一大段。
9 P" u6 {# C7 D, Q5 E* T. T+ u' B
9 s. E6 S1 m! d8, 钱说了算。
; t4 a  {3 o! B
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。

1 v. V0 `5 t: X1 k
7 s" L! ~) }- m3 B