利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

0 q+ D# ?+ k+ g5 F* H把PDF上传，然后让他抓取文字，并修改可能的错误。
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。
我要疯掉了！
' D" Z9 T/ {/ O! f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！
====
. R+ b0 b1 Z9 A# ~( ^0 I中文也很完美。
2 M0 @- D; P9 R$ s3 [+ H, V' ^% L5 D经验值，每次十页比较稳定。
: f9 {, I) b6 h' U' b8 I5 c现在我这里API还不能用，等恢复了，全自动了。
====
( n3 V; z. L0 q4 M* `- Z第二次疯掉了！
# u3 }( Y" A6 k0 ]" X( o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。
9 H5 T* a) Q4 C6 M! z5 R2 ~6 `====
3 ?( O3 d9 Y" J* X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。
4 x  \& U' Y7 ?3 Y3 M3 B; @====
: D  f  ?# f5 T+ Q& R  r* K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。
- g! s1 r% M* N" U====
好吧，有些东西是不给翻译的，哈哈。
, D2 L& R3 @2 j! u& P
, C$ b) D" \$ @8 f7 RSorry, that's beyond my current scope. Let’s talk about something else.
1 M  k# F6 d' N  ?' x( v3 [$ z====
! d1 P% d- c2 N0 [然后我的英文命令也让deepseek 帮我修改，呵呵。
====
% V) _: H4 G% g+ [5 O8 a" r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。
====
, L4 T) y( h+ W! \* l- c时间段的话，北京时间的下午和晚上用比较好。
+ j8 m. B" }* Y+ `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。
https://chat.qwenlm.ai/
8 Q% F' k8 t1 z% R7 E) o& U====
Deepseek，API 看上去可用了，但是不给充钱。



' Y; ?4 O* V3 ]- m/ f- Z, ~

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

8 `3 d4 q5 d& ~. l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

9 r2 J% j; r, s+ e: e2 V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

' E' a3 o8 u/ x# t: M/ F8 l7 j
以后让deepseek 读出土的竹简
. K4 T3 l3 b: }  A5 {8 H+ K7 y
3 j& U1 p! g* w5 z2 D还有把古文翻译成现代白话

( t" ^) x! [& I1 Y6 H4 X( |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？

. N5 X) y5 |7 O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？
' F2 k; Y# N  m8 L; v% s2 J! V4 _
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 ...

, V7 Y; V( T; ]' |
  V) I# |4 l3 w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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
, u3 t* \+ v1 F4 Y0 [1 b) `请教是如何实现的？
/ H& X  S/ A. I$ ~
( w6 a# v2 x$ P2 ]* V( p, C7 J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。
& ]) m+ E" p% _3 ]! a很稳定，质量不错，好像最多一次处理15页。
) i" ~8 `- w, d/ q- E2 K: c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”。
: {  M5 q* \+ L7 m* D9 O) B+ E
3 \( N; Z! r6 C) vhttps://github.com/oomol-lab/pdf-craft
5 g9 Q! q7 K' x& O4 ^% U! B
1. 这个工具要求装 python3.10
; f+ H& C/ e: c5 I2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
' s) N" P9 \" \9 h3. pip install pdf-craft
5 Y( j9 F0 X& b9 I- C/ c4. 把下面的内容写到一个文件里，例如 a.py
% \; ^6 ^2 x3 u# Z0 B- k  z) x

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.
   
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   . x# x  f3 ~  f& t9 Q
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   - \9 U3 a: `: Q5 x
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   # u6 X. _2 W; L9 _: [( u
9.     md.write(block)

复制代码

2 X+ {# N  F5 ]要修改的内容：
) e, F5 {# g( A) 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
5 ?2 g9 y9 E  e  v/ }. g4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

& E( Q% t- I$ m* D7 y
6 y5 H3 H  i, _目前为止PDF转纯文字的最佳办法。
( U1 A' x: d, d& h& o9 J' m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。
6 m# w) c% f8 V效果非常好。
. ?9 p& r* P9 B2 Q+ C- `, g- i& W
deepseek，qwen，chatgpt 三个，deepseek是最好的。

( |# W1 |6 E5 c. Tdeepseek 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。

. B* u4 m  ^4 w" N8 C/ V7 `API到目前为止，差强人意，不如网页版本修得干净。
0 g- E7 J( K' ^7 x3 f# \- ]
; f& u2 F7 Z5 v( G1 {deepseek可以同时开四个。

三力思

3 P, f, W) {$ m$ l% J
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 H1 j, ^: T: v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。

6 r, a) h3 J" z: n, j! T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

# M3 f; y7 ]% a# v
已经搞定.

: |; C% G; s" i. h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
. o7 [) s9 O. P4 y
1 T2 X. I. H- V: Z% Y2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

/ j; t% w: q- t* W' @+ a2 ~得到text file
- N1 u+ J# K9 l. [5 @
3, python 读取整个outputfile，丢给deepseek 矫正。
. o9 U$ M7 R! m  K
$ u' ~8 |+ o1 O+ K7 \& e& r模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

: l( T, k& Q  H$ E7 S: r" M# a9 ?# m3 W参考：
https://api-docs.deepseek.com/api/create-chat-completion
5 M/ b% D! N3 G
2 l6 N/ l* @6 l: d' u( b2 n4，费用：
' _. ]9 d$ q9 f# |* K4 H" [0 `
实测：
/ t9 t. ?8 e" ^( E5 c+ f/ @0 T7 _& _+ y
296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
! z* p3 }" g$ a+ y  l' ^9 u
+ g* H+ [1 I, ^" Z) P/ y0 h6 j4 Ytokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

; e' L' d% M+ f" b& v32899 个字母花费 11782 tokens，包含输入输出的 tokens

& x/ k* B* R% Z. V& c: w/ T价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
" [3 Q7 v1 s  C5 l+ S
https://api-docs.deepseek.com/quick_start/pricing

3 C9 m( N9 V' ~1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
6 j* d& h8 \3 m! I: Y5 _  {1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
) J0 H" \# c6 L+ }- g* ^/ b
4 A( r; K4 W: `) t& F( G; Z可以在程序里调用，知道每次运行结束后，balance还剩多少。
, u6 N/ }6 n' q参考：
, D4 N! F. i9 k8 o, Xhttps://api-docs.deepseek.com/api/get-user-balance

' L5 b' A/ B7 K& \8 L' u& K6, Models
, p, m- c  H3 D. c( _
目前就两个
  e3 _" H7 r0 q8 E2 s- I# deepseek-chat
7 ]. K1 Y, a8 e1 G  [" I5 U# deepseek-reasoner
4 z: K# L% v! V! Q2 G& \
6 [( D! y3 P6 X1 _2 ]* ]参考：
6 P9 i1 v6 ]# o' j3 w, ^9 f% ehttps://api-docs.deepseek.com/api/list-models
! f- Q6 v# l. @0 Y# m

% ?. h1 v  \* P) h4 V- j+ I9 o6 A7, 问题
) Y' c" c2 y4 A, o; X
! R7 N" ^! z8 ?" n" Pdeepseek 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。
: u2 s5 K" J4 G3 n4 C2 k3 H. T, P; `
9 z% x" T0 R7 a8, 钱说了算。
. Z1 `/ I2 r$ i0 ~* M! Q: k4 o5 g% x
% m* v+ p. o, L9 Kdeepseek 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。
8 i" d0 L: U8 \+ O' Xchatgpt也是这样的。
) w$ \' S4 g  i# S( k
# I9 I* O7 t! S2 N