利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

' {1 L* O7 x# ?! v( l0 A. A
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。
2 |$ u% B" R1 K+ B段落清楚，列清楚，页眉页脚全部去掉。
6 F: j  z% l4 h% n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！
====
7 O) ?$ p# G  v2 e# T8 a6 c! ]中文也很完美。
; o7 v5 A3 S. J* `经验值，每次十页比较稳定。
" w1 {% Y! I# s, m现在我这里API还不能用，等恢复了，全自动了。
====
6 J# K) I) E" i; [+ Z第二次疯掉了！
+ A# [  Z' x" W$ D9 ]% b  j7 W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 s+ W, q* K1 O/ V====
" }* K) {* u" z* g9 [# z7 U: m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。
" W. }  z. e$ M9 C. K但是任务多了后，每次翻译的页面数是减少的。
  T8 ?: _: Y2 c$ h好吧，我五体投地，继续探索。
====
% [+ X7 z* [4 l  X6 r% \. D  B+ @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。
====
2 r0 a) O8 e; A0 g3 f& z, Z3 ~0 E好吧，有些东西是不给翻译的，哈哈。
' u# W+ E* O3 n4 D$ @* Z* O
Sorry, that's beyond my current scope. Let’s talk about something else.
; N3 u" X5 f5 {* x- V====
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 C" z7 t! M6 u& @) Z4 c# D! v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。
====
用千问吧，非常稳定，非常强大。
- I% l6 F/ I  a% ~5 C/ Z. t7 Vhttps://chat.qwenlm.ai/
# N9 {6 R* `* d% g/ t7 r/ h' o, _+ U====
" r2 x; G1 Z8 ]3 t4 H1 CDeepseek，API 看上去可用了，但是不给充钱。
4 R! L* t) n9 ^8 q, q
- s  w5 ^7 Y% k8 a0 o& o/ [# M) [+ L
* v& L8 ]0 }/ j- }( H4 c
) b2 t: U$ H$ Y/ k, v; e( o2 g

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

% g* v3 _$ ~% |# [: v以后让deepseek 读出土的竹简
8 d4 n* S$ o0 i: a8 c0 h
还有把古文翻译成现代白话
  w7 Y3 d7 Y% i$ m0 O" B$ k
9 q. i0 X  w+ Q! u/ T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
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 ...

% Q2 X" o# j( e
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。
& q+ J, }; o2 X8 h9 {文字之类的没问题。估计deepseek现在暂时只保证主要功能。
  d. _" S0 j. e8 z1 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
7 L+ V& {4 @/ y7 F" M4 o! u: C* Y请教是如何实现的？
, O7 [, |3 Q/ T6 M, R
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 ...

& n7 w, y( {: E/ A! ~https://chat.qwenlm.ai/
3 ~1 ]9 o' T( D. q9 `& B& |试一下千问，估计美国人没有攻击他，所以资源敞开用。
  D2 {4 B/ U9 d% p; u% \很稳定，质量不错，好像最多一次处理15页。
* O# o+ w, I7 O# S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。
0 c, m" f7 c! R' W$ ^" x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”。

https://github.com/oomol-lab/pdf-craft

% [! {+ K' Z; N' z1. 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
4. 把下面的内容写到一个文件里，例如 a.py

/ }5 g5 j, e* p5 H+ G

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   4 a3 a& I# h" X' o
2. 
   ; v$ Z) X) y% w6 P  A% g* i
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   # f. P& Z  ~# W: V. V) \9 A
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   7 C4 x& a) [. f; O6 _
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   7 X* i9 o5 Y$ F# I' N
9.     md.write(block)

复制代码

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
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
% E# J' E  P7 h/ \+ w( g: X0 l
# I7 t5 V* R, F8 D  Y# i5. 运行 python3 a.py

nanimarcus

- N8 `4 z$ k1 x3 k1 s9 A; n. u$ Q
目前为止PDF转纯文字的最佳办法。
1 \* C4 A0 x/ r5 H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。
效果非常好。
3 s+ x4 d* Q6 k- D
deepseek，qwen，chatgpt 三个，deepseek是最好的。
$ k1 Z' t* G6 w* {# I/ }
; u, [7 _5 l3 ~4 x5 @- f* 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。
我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
4 B7 R, n5 ?6 k4 H( p# y
API到目前为止，差强人意，不如网页版本修得干净。
; W8 D9 J8 t4 G/ q
" g- }8 @& j2 O( p8 @$ R# R# Odeepseek可以同时开四个。

三力思

! c, v& a" T0 m& T# {$ B
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
# m/ O9 p2 A+ `* \$ W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。

* X# P' D3 N5 ]) l) f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.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
, m$ {4 r6 r, @2 e6 f
1, python + pypdf 按章节拆分小的PDF
; I9 [/ \# B8 s5 y3 u3 f
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
: h6 W" |/ N- J$ H5 D* s0 ^
模型是 deepseek-chat
- V( j, s& ?" y% V8 ~9 v4 f
max_tokens 最大是 8192，别的不用改。
  h2 y, k1 q+ M# M6 G* E' G0 H
参考：
https://api-docs.deepseek.com/api/create-chat-completion
' e$ N0 s9 H! \+ S
$ P: Q1 R9 R& n( k  d/ \) t4，费用：

实测：
1 n9 V: ^3 L9 B+ E1 r5 b
; S5 W+ a+ u. c4 w* \+ A- l296K 字母，用了 9 美分。

5 Q( ~+ Z9 ?# ^英文字母 到 token 用量大约 1/3

0 L: J4 B4 D4 ytokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
! F6 J: e6 Y; y' ~/ o' j
/ ?/ f; M$ t! j. ]9 W- n6 a32899 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。
6 K  r6 r0 z2 u5 }2 D4 c' i
5 r( E% o, V1 N4 a+ Bhttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
4 J6 }7 E' U1 S. T+ {" T, P
5, Balance
8 w- N# ]" C/ D8 x4 G: e- v7 K% @5 {
可以在程序里调用，知道每次运行结束后，balance还剩多少。
9 P7 M* Q& Z( i' I参考：
; K. x; I% E- P* v+ nhttps://api-docs.deepseek.com/api/get-user-balance

6, Models

% C% e8 g5 w. [) t8 f目前就两个
# P! y- m% z, U2 t- q# deepseek-chat
1 n7 ?$ ]: E: e' ~% S+ ~# deepseek-reasoner

参考：
" L6 y+ \  J8 Shttps://api-docs.deepseek.com/api/list-models

/ T1 c* D# Z" g6 f2 n
7, 问题
" c0 T# B; A) L. W
. r+ I0 n! _- R- g9 [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。
% G. |8 E9 o: ?0 X
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。
) k8 O9 R  O7 u9 k2 K, cchatgpt也是这样的。

+ E. T8 E8 @& z: r6 `9 G
* e' j- K' Z1 \' q; [3 ?1 q