利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

# P: |' t3 \7 c+ w$ P
6 T& Q0 S! t' x* T' Y1 p把PDF上传，然后让他抓取文字，并修改可能的错误。
9 c+ I( l+ c7 z6 y0 a9 H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。
0 _" N4 A) [, H6 @# Y+ l7 D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！
9 y% Y. B( h; D) s====
中文也很完美。
经验值，每次十页比较稳定。
- R9 d  Q$ s, s2 C' ]现在我这里API还不能用，等恢复了，全自动了。
====
0 s; e  k2 _8 o3 e5 ?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。
====
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。
5 w5 K1 r$ }2 q====
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。

3 h* p, A2 _) ?0 _Sorry, that's beyond my current scope. Let’s talk about something else.
====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
% E8 y8 c( a. J% j9 |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。
* L- @7 Z: g. ~) i8 m7 ?2 l后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
/ Q+ |, W: K1 G====
用千问吧，非常稳定，非常强大。
1 T0 b# p0 ^" S* y- Y- }https://chat.qwenlm.ai/
/ m3 u! O; u8 c4 Y5 y; u# [====
Deepseek，API 看上去可用了，但是不给充钱。

& a9 n+ D0 c* @4 }2 g' ]
! c* c7 A3 e" a* V7 L- f
6 p! n# Y- ?/ f9 v

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
9 W7 i5 \; y. n$ q( }$ l这功能很赞呀

& r, A8 p; X: W+ E  W- K+ L; L% C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
% B  K- A# j" y; b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

以后让deepseek 读出土的竹简
8 v7 a+ i1 F7 l% r' |
还有把古文翻译成现代白话

  u( N2 O* }! H" D7 N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？
2 Y; Q, |# S3 M& x( d7 k# Q% A
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
$ w  x% n3 \- L! Z/ `) i' }% {请教是如何实现的？
8 ~9 a) B+ d9 r0 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 ...

. T  t; k- v% e$ q4 s. l
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。
* J! x5 I  c- H) G5 E3 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
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 ...

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。
! E* f4 X! \8 {6 D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。
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”。

; E4 \9 I4 `: G# e  n, G- e1 ghttps://github.com/oomol-lab/pdf-craft

+ @/ t: Q* s8 l% c; O1. 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
. ~* ?- b. @2 S  T5 V5 n6 P3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
/ M  Y$ K! Z; @; i1 F* C5 a
- p6 k% h3 {5 n$ J" x) [: B0 O

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   9 u( W3 }8 R0 x7 V$ R
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   3 r4 X. B# b8 N0 I/ T7 S6 ?
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   0 e7 A) W* H$ A! h* ^" [
6. )
   ' L! X" i. x, w
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   : V5 [2 b5 g, H
9.     md.write(block)

复制代码

# G& |6 z/ t, D4 E' G: C- I  F/ J
* w& H! U/ ^" u# P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
( _6 z6 s+ [. B+ d5 A. N4.2 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

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。
. n+ {' Q6 G2 A6 Y$ W; l然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
" E* q  J& j  L% s
deepseek，qwen，chatgpt 三个，deepseek是最好的。
) e: ~- U/ E: ]1 C9 Q. u
. w/ e, d9 s, L5 ]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。
% c, o4 ]6 x  y: H+ G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。

( [5 `" n" m- ^API到目前为止，差强人意，不如网页版本修得干净。

# N% Q6 ]  O# a5 @deepseek可以同时开四个。

三力思

+ d7 M8 r: s* U: K+ J; e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 ...

$ M+ j6 U: d  J8 P! q3 J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。

7 t7 n$ h5 c% O5 y: i1 F( z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.

3 F8 S; X. Q6 t, w; M! _6 h首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
) n, s, h/ T7 p5 v, D- F
1, python + pypdf 按章节拆分小的PDF
" ^3 U2 m# c/ L" f
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
, E2 J, V" l6 x; S
$ b$ n2 d- O% u( J/ B3 M8 S得到text file
4 Z9 p0 ?" l3 |4 W
3, python 读取整个outputfile，丢给deepseek 矫正。
9 S0 b) V/ m1 W* f
模型是 deepseek-chat
4 u+ @4 C* d! b% }. |+ _3 B
max_tokens 最大是 8192，别的不用改。

  }8 G- }! U; c3 ?  }参考：
. C" ?' Q" T& s8 t% Q* @+ F; Khttps://api-docs.deepseek.com/api/create-chat-completion
- H' ]) n- L6 s
' d! n+ n2 Z1 f# c, [4，费用：

5 S7 }. m9 o4 s( z) z实测：
3 S6 m8 V) w, M( [% H3 V+ S
296K 字母，用了 9 美分。
) J1 t1 o7 L6 g/ v; M" k' Y
- S2 _" c. K+ I/ `3 P. Y英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
1 a4 c& `6 c- c
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。

参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
- m- z$ S- b3 z/ r: H! t6 I% A; \6 v7 R
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
* v. o/ n8 _- G1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
- Y, r) R  p; C5 A( q( U0 O- H3 B1M TOKENS OUTPUT(5)                                              $1.10                $2.19

/ d0 J' K! F& l5, Balance

* {' u/ X" F6 ?6 l' k可以在程序里调用，知道每次运行结束后，balance还剩多少。
) m. f5 P2 H& A" p# q6 `参考：
" z  u( F+ h7 F" ^" v1 ]https://api-docs.deepseek.com/api/get-user-balance

: \) r! Q/ A3 i$ o; e' A( t6, Models

目前就两个
# deepseek-chat
# deepseek-reasoner
; K& f2 ]8 Z3 J; F
参考：
https://api-docs.deepseek.com/api/list-models
5 F; K- ~0 J! ^1 c/ `4 [3 u, f

7 }1 d( c* O: ?- G: _. _7, 问题
% @: w) K% b7 |0 T
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。

8, 钱说了算。

& e; J2 M) t6 q' A% ~6 Ldeepseek 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。
+ V; y! ]( c' s( n' b2 tchatgpt也是这样的。

% ?3 p" {/ o% u! e8 E5 a2 I( t