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。
: ]" K- v8 I- w8 Q. m: K: e) e0 X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！
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。
4 p2 ~7 }1 c2 H# y4 }( z2 D经验值，每次十页比较稳定。
- s2 g* h& N9 W; u; d现在我这里API还不能用，等恢复了，全自动了。
====
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。
% \+ z: s, l/ ^# s. |====
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。
6 C& x  ~) ~8 x, @5 ~好吧，我五体投地，继续探索。
====
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。
. ~+ \2 l% ~3 f9 L# d6 n& M3 t
$ x& I8 `& Y/ Y$ }Sorry, that's beyond my current scope. Let’s talk about something else.
0 F) ]& o& @: 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。
====
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。
( W% ]. G5 x* P$ j* h" Z% [; E====
0 |" F$ G* B( E用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
2 K; D, [/ g% V& Z3 IDeepseek，API 看上去可用了，但是不给充钱。
7 M! w/ p, O* h; U3 r$ e

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
- I6 v. r8 ?" W* I0 K' @$ y, a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

& x( ^( U$ ^* C; ?, @: j, {& N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

6 `0 a( z4 L! W5 X' E
/ M. u( B% m6 C9 ]9 P以后让deepseek 读出土的竹简
5 z; E3 @9 t* c* i
还有把古文翻译成现代白话
) s+ ^* M! v) m% R2 x/ i
  x0 n) O7 y3 w& q" c3 ?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 c/ l; W% N( B% }
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？
$ I" t0 b6 _/ v) [* }' U2 F
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 ...

9 y$ {, I% c( \  j" d5 t8 U
" w6 t. c  h4 x: U/ C- h, ]% a# w$ 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。
3 X* R6 U) |- D0 E6 E  K6 y* X4 i文字之类的没问题。估计deepseek现在暂时只保证主要功能。
* X0 I$ ^) l0 B  D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。
% v8 C4 v) d  j+ V" f: C

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
3 `0 W# L: x. ~4 o. B! X/ k
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/
4 y3 R. {5 [+ Q; i4 h试一下千问，估计美国人没有攻击他，所以资源敞开用。
$ Q* P, N+ L- s6 Q9 @很稳定，质量不错，好像最多一次处理15页。
, n( d( L9 q4 l$ z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。
& r3 s0 \0 a+ @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。
. {' c' V; ?, q% k9 _$ I0 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”。
" ^) l6 k2 S5 c  ~) c
. i" {* k9 W( Khttps://github.com/oomol-lab/pdf-craft
. J! S. R4 ^/ K" _8 }6 |* [
1. 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

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   2 j8 x$ ~. o% g5 f! ^* D
3. extractor = PDFPageExtractor(
   ; k% P/ I$ p9 Z9 T
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   - L+ h, }6 _& _" n0 j
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   9 ]$ q! n( E5 v* k1 G, c
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

要修改的内容：
7 J  X& b2 t- m" H3 b4.1 /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

! Z, Q- C: S3 r: t# d5. 运行 python3 a.py

nanimarcus

# U* b2 N# }/ o. D
6 |$ P- C& a+ l/ y6 ~; n0 F! i目前为止PDF转纯文字的最佳办法。
# N$ h7 k; `: n7 w) e9 ^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。
, K- t: C! j* F6 w
deepseek，qwen，chatgpt 三个，deepseek是最好的。

/ Y& p; M% I; c7 x. p0 @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。
  ~% @' G1 N; c& }$ v" O- C- I0 M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。
. o) g, q. y" [* l  T' }+ z3 x
API到目前为止，差强人意，不如网页版本修得干净。
* o: k9 i9 v+ J& n* O: J1 Z3 t* t
% [  q6 W  G7 Q, J* s: W% ndeepseek可以同时开四个。
. _2 U" y/ k: K8 ?5 [: ]

三力思

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
  b& B( i& \) l" }0 O# z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

( P1 Z2 }9 @. H: i$ a  \已经搞定.
7 Z7 b1 E  g. p' X  C% v& h' `/ c
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
9 m8 g, T2 g, g4 Q, s/ }
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
+ X: d: t; O4 f' Y9 u) ]- _3 p
1 Y4 K8 H0 d# B9 K- A得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
0 Y: M) B  ~. ~+ v2 M6 v' X
) |9 n- w6 s' u) ^! _$ Z模型是 deepseek-chat

6 r2 P' Z( h* \& [/ y& q8 D! A3 Wmax_tokens 最大是 8192，别的不用改。
! d9 O& S( W+ r" T2 k6 O
( r6 ^1 e8 E$ h* v) C参考：
+ E  }7 d1 l0 _7 N/ Z) b1 ?/ Shttps://api-docs.deepseek.com/api/create-chat-completion
* ^/ _+ p1 T. p% G9 e9 n2 F6 {
% \% o4 N: v3 v* ~4，费用：

" Q$ `+ x4 [+ Z4 b实测：
  g: J$ H: m" y( g( j
296K 字母，用了 9 美分。
) M* y7 t. p6 ^2 M7 \' l. c  ?; ~3 S
! O* K2 o# i4 f3 @9 d英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
/ c9 `. h! g9 v5 `3 G7 B0 X9 E6 B% K
: @, B* D) O' m) e7 M9 }9 m32899 个字母花费 11782 tokens，包含输入输出的 tokens
- J) ^1 w3 ]3 Y: R# u
价钱，非常非常便宜了。
" E  ]1 Q0 f7 a- d; b
参考如下可以计算，懒得算了。
2 |2 e7 x8 D* f0 K
https://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
' T1 z! X, j* {, l* C1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
$ R) L5 x, k: V0 t' m" |7 U
5, Balance
4 H4 |8 v, J# ?& j. ]# K+ J, M
可以在程序里调用，知道每次运行结束后，balance还剩多少。
) H/ t/ K3 i5 W. q* H; G参考：
https://api-docs.deepseek.com/api/get-user-balance

) h+ }; |" M' O  ?. e0 ]7 `  i6, Models

+ T% b7 c1 |  R5 ?目前就两个
# deepseek-chat
4 A, a6 d; e: Y) @# deepseek-reasoner
. i' f2 P3 G' t% e% f
参考：
https://api-docs.deepseek.com/api/list-models
# Q- y) Y' d4 H  V7 s

" _/ D: M  x' @6 F% |$ s% x7, 问题
" A+ Z& C- n8 _/ _
& Y0 ]; J2 r  d! ~  i6 N. {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。
6 l( J5 s  x  i! g+ f
8, 钱说了算。
0 e' {- ?" W( Y2 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。
% z7 ^5 k9 W  Q4 ~# }( G5 z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。

, F/ O! D& \5 f' h