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。
) o) ]) Y# t  f然后deepseek完美的完成了任务。
- a0 v% ]. n; ^2 X( G% V5 B7 @段落清楚，列清楚，页眉页脚全部去掉。
. ^! w% _0 }/ I' b/ f. d我要疯掉了！
' W" k; h0 g2 }, V( J* w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。
( J. m4 p2 `0 y: ?) j0 Z经验值，每次十页比较稳定。
) B% [8 U5 C+ m- G现在我这里API还不能用，等恢复了，全自动了。
# }  ^! z# Y8 z+ o% {5 r1 Q====
# M6 k4 l( e" @$ `5 Q/ w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。
====
1 C: w& N* a6 D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。
2 F4 `) Z- V' _" p; R( a====
6 S9 j4 J' p1 W/ i) c5 R9 m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。
" J9 Y! z" o* V$ S, ]====
  x) a. s0 E/ H* ^" p, E; i* I* Q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.
====
5 W! z; B: Z% w& \0 j; E然后我的英文命令也让deepseek 帮我修改，呵呵。
: h8 }. r: C  w, N: n7 s5 W1 y====
0 V7 c" S" k, U+ f9 [7 b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。
后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
- u4 @3 e7 t: M! K: N8 ^====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
7 [) b- }- z& ~9 t! GDeepseek，API 看上去可用了，但是不给充钱。
% v! q- M  v4 C0 n0 ~6 y


( S9 R7 ]/ c8 j! I" \# N

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

/ [6 I4 V. Y; z2 _  m3 l8 M9 A5 p% [! g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
% i& x7 ~/ V9 J/ Z. p. ?$ X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

5 y6 O3 K6 ]) K. ]5 s2 `9 V) k以后让deepseek 读出土的竹简

! ]: L5 O' ]8 F9 L& l还有把古文翻译成现代白话

3 ^) R# I6 o* W. A" W$ ?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？
0 `' l; `; Z" n0 F# B. C% M( R
3 n: p4 o1 o; Z& b. Z1 b; _3 @( b5 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 ...

( f) o0 c- [1 r, h
/ |5 L1 a& ^+ M$ s6 r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。
9 R2 l% o% b9 ^4 B, W9 P/ ^  l

nanimarcus

方恨少 发表于 2025-2-3 01:23
6 u4 Z. D- P. b* V8 K( L7 _& r请教是如何实现的？

/ V, S, e8 _2 [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 ...

, k0 \" c0 s. a" T0 Hhttps://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。
/ z) D, f) y; ~, {1 J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”。
$ h: l8 f/ Q% p% p& t% E
https://github.com/oomol-lab/pdf-craft
0 N2 \( a) I4 L2 q! }
1 X2 G+ u! T3 J( b: S/ |+ R' l1. 这个工具要求装 python3.10
5 g9 z$ W' W9 C! R. ~9 ^2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
" v, i! W5 w3 v4 ~" r3. pip install pdf-craft
7 b7 y  d! L2 w) a4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   * e4 M0 g% Z" Q$ }+ \& d
2. 
   ( S3 C& {1 w4 o, ]8 F1 |: I
3. extractor = PDFPageExtractor(
   $ n1 l1 c* ^( v4 q4 t% S
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. )
   $ G& w/ ^3 X5 o. J5 g, r, H
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   3 m( G. U8 A; X& O3 Q  B. @$ [
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   6 J) q. [3 O" B' b; w  o! k+ V! t/ F
9.     md.write(block)

复制代码

) V3 r: g: Y. V2 i6 V" t7 g3 k3 O7 G0 Z
. T: o; B2 ]$ r6 m$ ^要修改的内容：
, |4 j( n& l# M, X" j4.1 /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
; @9 E& \2 p- n6 q
2 b$ @" U6 l" a+ @! S7 P5. 运行 python3 a.py

nanimarcus

( Y; f$ G  V9 n6 y
! A; w# m, Q  F8 x  b" S9 s2 W目前为止PDF转纯文字的最佳办法。
- l- S/ Y. L/ L8 @1 Z, K1 U- {先写个小程序，把PDF按章节切成小的PDF。
# ^. E& Z4 t+ s; n  d4 B% G. W然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
! o/ s# R- I% V' l1 ^3 `效果非常好。
* X! U: Q' _7 V5 }
deepseek，qwen，chatgpt 三个，deepseek是最好的。

. G4 j; {. z# Gdeepseek 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。
) v4 I% L6 l( h% M& t我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
/ x/ a+ m8 M" M8 a
6 a( B0 H8 S; r5 q( V" f) }1 LAPI到目前为止，差强人意，不如网页版本修得干净。

" W2 d  P( Y' w1 I. Y$ J, x0 Jdeepseek可以同时开四个。

三力思

2 J: ^) z: X& |% o- K9 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

nanimarcus

三力思 发表于 2025-4-17 12:26
7 v0 @4 `1 |# k( A! c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

9 E! l- e- c+ x7 v% H
已经搞定.
, y! d. [, ?; o8 n' \
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

1, python + pypdf 按章节拆分小的PDF

( W7 d; `' e, A. x7 x2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file
% ]8 O* T" G. n7 a3 Q* g. x3 i
3, python 读取整个outputfile，丢给deepseek 矫正。
4 F5 s& {' m+ ]( [9 K8 {& Q
$ D! Q& W- r7 Q* V% K- g) v模型是 deepseek-chat

! h. L- H5 ]9 t4 |0 X  cmax_tokens 最大是 8192，别的不用改。
& x# {: ?7 i5 I* _. a
$ d7 u+ m6 f$ r参考：
https://api-docs.deepseek.com/api/create-chat-completion
) B3 v" B7 }% O3 ?1 w6 W
4，费用：

实测：
7 F; z/ O4 v0 v: M" i+ }% m
& x1 T, ]5 g9 O3 ~! j6 j296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
. Z) d* d  {. E) M, p0 k  E
/ L' {! W7 y6 U& \$ V2 p. v, Ptokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
) C' _# C1 B. K2 L. _
4 W5 z" |/ W& T  d" q$ H32899 个字母花费 11782 tokens，包含输入输出的 tokens
/ C! W* T% y2 m) F9 J
# V: B, y4 o' @$ e1 w8 v( U: q6 y% q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
- `' O: I5 W- J  O( u* S0 i
; V7 w/ ]1 e, m) ?! R( W1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
- A' D& u- q- r1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
$ U1 i6 Y8 ~9 U* Y: \8 p! L
5, Balance
% h: ?- _' x& W- b- q# @8 l1 A
可以在程序里调用，知道每次运行结束后，balance还剩多少。
" J# v; s% f$ P+ F参考：
* I* K0 o  N* Chttps://api-docs.deepseek.com/api/get-user-balance
( m/ q- o7 f6 ]: r  X: ]
& _* A, C' Q; S- }6, Models
1 \$ _# A  p+ x
目前就两个
- R: H% i0 y% ]5 q0 V& h# deepseek-chat
# deepseek-reasoner
* Y0 L( l+ b+ i2 R
参考：
8 e( @4 l' _0 i' v6 Qhttps://api-docs.deepseek.com/api/list-models


% j7 N$ e1 s7 \. |7, 问题
  x% f+ [. h# y8 D- W
0 Y( u0 K( i1 U! }. \( A: hdeepseek 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。

3 m$ J5 d0 e8 f! Y4 I# y) S% j8, 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。
chatgpt也是这样的。