利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

) h# T+ @6 _- f5 e9 g# |9 f
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。
. M6 c$ T* ]* g( v7 U3 h) ^; h6 @我要疯掉了！
& M9 z" c$ ]8 l# |$ I9 d$ R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 n' \* ?+ q* @3 p$ T5 [  d====
中文也很完美。
经验值，每次十页比较稳定。
现在我这里API还不能用，等恢复了，全自动了。
====
3 d& \2 z3 b! i第二次疯掉了！
9 ?7 U* m+ T, q. H+ N. t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 I5 }( ], a5 X* P; E2 }8 h. ]  i+ t7 ~====
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。
7 n' E. ]9 {: d) ~6 o/ E% Z# F2 b但是任务多了后，每次翻译的页面数是减少的。
. F2 @3 O2 p- p% l' o好吧，我五体投地，继续探索。
====
! M8 ^6 o% L0 N- K1 l% P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。
  @$ ?& F& g9 Z- O8 v) P====
好吧，有些东西是不给翻译的，哈哈。
4 o0 D+ Q/ c2 Y8 n# Q
Sorry, that's beyond my current scope. Let’s talk about something else.
2 m) X* s6 l+ Z====
2 ^( G1 q9 n# y" }然后我的英文命令也让deepseek 帮我修改，呵呵。
====
& O4 U$ q; t  u& L1 j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。
====
  w5 Y4 h0 s- L4 o) @* U2 N0 O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。
====
) F) P8 J  w4 L0 C  o用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。
' C: G4 r% B: p8 h$ ~+ v) {

7 h5 N- F* x% m* C9 n, w

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

# e, b2 J  {1 h- H以后让deepseek 读出土的竹简
. y2 i0 `# I; k% Y3 j+ g
还有把古文翻译成现代白话
7 N8 b3 J! K) [1 k- b
- m. _& K3 B- V8 y' w# e, I. m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？

) K- E$ k5 p# g4 x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？
# N. {$ G& h$ x+ C9 j9 C
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 ...

. N$ a/ {+ d8 \
8 `( M- k# {9 w) }9 L/ k% O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# t0 u2 Y  E  t/ T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
( Q. I) @# a6 v请教是如何实现的？
2 m5 f* l! K- l% \4 i$ \7 @+ a* X
1 I6 h- |; j2 k% A) L( N- K; G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。
# E9 k1 J% u8 U' w很稳定，质量不错，好像最多一次处理15页。
0 R- q. ~; d/ k5 V$ {6 B9 Y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。
, a, A  I; l) B' c' q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。
1 t4 s) v* E% Y  H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”。

* r! e6 M4 m$ c/ w0 E/ Ihttps://github.com/oomol-lab/pdf-craft
" X: J- q4 S4 T3 Y
4 Z# q' p) Y+ }$ v) L1. 这个工具要求装 python3.10
) r2 W& X& w0 A2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
% u5 @& g' R$ G/ v, ?4 f4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ) d* b% o3 e4 b7 o
2. 
   
3. extractor = PDFPageExtractor(
   # F1 L. V4 N: I2 z5 D3 \& d# R
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
   , p, f( l" \; e7 z1 p0 D( s
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   2 F# p. t2 j0 [# m; E
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   5 r' c" b: s0 \3 d* m8 e( q$ b5 a
9.     md.write(block)

复制代码

# c. b3 }) L5 w' |
要修改的内容：
% c" I! B; ?% H& n6 k4.1 /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
% [2 l  M3 @$ X6 L. U) k4.2 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
6 ~5 a2 M) A- s. S9 G9 T
1 _+ q( t0 G( k4 x+ e' i  v5. 运行 python3 a.py

nanimarcus

6 a3 s( O" m8 `7 `% h6 p' O3 n
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。
! Z" r% v' o7 x! t4 B/ p然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
# B. b3 B- x( j  K4 T# Y
( w# q; `# _1 L0 N# [9 udeepseek 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。
: m! k7 o7 z: M3 V' f  W我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

* |9 b& }7 k2 T2 q+ T& SAPI到目前为止，差强人意，不如网页版本修得干净。

deepseek可以同时开四个。
' Y( I$ T% D  u* x! L

三力思

# Q, y' Y0 B  d
% \4 I# p3 g/ D' s6 r$ x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 ...

: Q2 U- g6 E# b3 V# r9 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
" N/ W4 E7 l$ `" K& {% P# I2 `6 _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.
/ S& h6 F0 j: p. K. h
2 L2 g* N4 M/ a% i8 C; t6 X' M9 _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

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

4 |; @% S3 D/ \8 H4 N! y% j! J9 C) j得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
. k  B2 P( G: n0 H5 f
模型是 deepseek-chat
& P- ]& s# G! o) j/ [
max_tokens 最大是 8192，别的不用改。

4 i, q' Z2 D8 y参考：
" R  ^8 `( B, u! o- ^' Thttps://api-docs.deepseek.com/api/create-chat-completion

4 P7 j: E7 |! J6 j" N( W" Y4，费用：

/ f' R) O+ ^4 Q% w实测：

296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

. ^) X# j0 S0 ~4 k) \- g, Q% |tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
# r. N6 \9 P% p5 D! \7 s8 Y+ K
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。
7 c# \$ g1 D7 i7 u7 I
' |- t! F8 }' M参考如下可以计算，懒得算了。
8 j+ X# Y" i# g
https://api-docs.deepseek.com/quick_start/pricing
: \9 f6 Z9 N4 \- [1 i- e% o1 w
2 {. i' h; l5 T# n# G9 y1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
0 Y' ^" @- C0 I1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
2 m7 j2 ~9 {. o5 `' J1 d- v# F
5, Balance
; i7 O% w. |# j7 g. i' z; g
6 ^* S6 _; `7 o0 l+ {- M4 J可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
https://api-docs.deepseek.com/api/get-user-balance
) M$ S( j; Q2 D5 \) L
6, Models
* U5 `' Q1 J6 a! _- b1 a1 l9 {6 S
! ?- q0 W. g' k9 h  h目前就两个
7 U( D. f; x5 u" ^8 A9 \+ }3 M# deepseek-chat
# deepseek-reasoner

参考：
+ ?/ K8 {& x, b, a. Vhttps://api-docs.deepseek.com/api/list-models


- S( M1 b7 d( r% I7, 问题
# m2 B) }( Q7 g/ |& g. B
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。

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。
5 a% W: [- O& }8 D- r* qchatgpt也是这样的。


! }, X7 S  h: e# ?! f8 ?