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。
然后deepseek完美的完成了任务。
8 v: R8 D& H" F9 `2 L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。
3 W  o% }4 j5 J% J5 h8 V" j/ x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。
. X: E) ?9 I' H; d- r4 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。
: K0 X; h! e( s/ O# q; ~' M====
8 {; d8 s; e) h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。
" G, p3 ~- P9 j8 w( \0 l7 F2 O好吧，我五体投地，继续探索。
1 n  O- T1 `9 ?8 ?7 U====
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。
( o" F: M0 `( f! w6 x: t: Q====
好吧，有些东西是不给翻译的，哈哈。
) j. U! d( F/ W6 b
0 Z8 ~9 u- a* n$ l. P- u3 D! iSorry, that's beyond my current scope. Let’s talk about something else.
====
然后我的英文命令也让deepseek 帮我修改，呵呵。
2 G  x8 m' M# l====
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。
====
/ [* v7 O8 r  p用千问吧，非常稳定，非常强大。
& R; [3 I9 n0 R# X5 q5 z$ Ehttps://chat.qwenlm.ai/
# U1 V. C  j/ o3 S====
0 R% ^* q- c; d  _7 n3 [- KDeepseek，API 看上去可用了，但是不给充钱。
1 P9 d, @* y- m9 W3 J, e( `9 L; X$ L
5 d7 h$ S$ u, a, C

. m6 B7 m& n) ]/ 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

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
* ?6 p7 Z- }* r5 T有没有上传整本书试试

* p+ k$ [0 w4 G; d+ M9 S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

2 M' i4 L: C' d; l
以后让deepseek 读出土的竹简
* p2 i, ]; R' J4 `9 D
还有把古文翻译成现代白话

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？
# S9 c" x! P/ G+ b+ W
/ Z( z6 l8 p* U% e$ F7 Z7 I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 ...

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。
# M# x7 ?' d1 i6 {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。
2 Z3 I0 D5 W  N' ^

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
4 N( @2 q# e1 @' J& {
! v" |, g) A7 {; k; 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/
) ?5 ^- j. k6 h( G试一下千问，估计美国人没有攻击他，所以资源敞开用。
3 `  ?; ~) i, {; y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。
& M4 X1 J& _/ l$ A0 O  ?* f, Q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”。
" ^/ \! G% u" [) M1 [8 @
https://github.com/oomol-lab/pdf-craft
5 H/ x, C# P' s0 W/ e
  }! t4 |: M1 ]4 p  I+ d5 F1. 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 [/ ^6 M# Z7 M/ ?; d7 t4. 把下面的内容写到一个文件里，例如 a.py
  W/ j$ f: r% y& L* M

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
   
6. )
     y" f; b/ s0 l6 Y8 J  ^! Q$ _
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ! n, _: t3 H& ?; @) y: g
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   $ R6 T* q" |% b2 M- C
9.     md.write(block)

复制代码

& L1 h$ b+ n5 e8 ]
6 a4 p3 e. O8 L( A+ w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

7 S! k) Q1 i& @; _5. 运行 python3 a.py

nanimarcus

: Q2 j. K$ @1 y% r3 O
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。
然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
  H" o* q( s  N
/ `) `5 R6 I- H2 K6 R( l2 Q+ G3 ]deepseek，qwen，chatgpt 三个，deepseek是最好的。
3 d: z; P' N+ `  [
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。
- E: {+ v$ H5 l+ X7 c' a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。
; V1 j8 q! \; |5 A6 U6 G我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
) K5 w' K! K/ H3 x8 o# A7 j* Q
9 R7 j+ s9 N  `2 y$ Q  Y' A3 L1 ~API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。

三力思

: v- Q% K9 ]' Z% ^
/ \! F4 h- T4 S) r) ?* 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

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 ...

5 Q) `; }" ?: |2 I  x* c( b; d' D+ [# ^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

- f8 Y8 v5 N2 K: V% V; `
已经搞定.
+ v9 M" I7 b& d
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
, ?! H" c- F7 T! \9 \- f3 q( a
1, python + pypdf 按章节拆分小的PDF

: @3 _: N! W/ Y  f2 O3 A2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

3 }1 [: C9 A  Y- [得到text file

0 D1 k( d$ `$ D. t* S( k/ p3, python 读取整个outputfile，丢给deepseek 矫正。
6 B; D4 Z8 S& i
8 j) u( E/ w9 J0 ^2 @模型是 deepseek-chat

" Q; y3 G5 N& Y" cmax_tokens 最大是 8192，别的不用改。
7 h; h1 l. I. u6 E
参考：
1 a. A0 I3 n9 ]https://api-docs.deepseek.com/api/create-chat-completion

, D6 ^6 G, w. q5 g( H' j/ Q4，费用：

实测：
& B* Q+ [% G( A
, D$ t" k1 U% P296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
6 a, P( z0 u4 P! O- ^) D; `" y
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
9 v7 |/ o% Z1 y
32899 个字母花费 11782 tokens，包含输入输出的 tokens

, u5 y$ t3 e, @5 x/ _价钱，非常非常便宜了。
8 ^8 V+ m0 T( d: W
: w8 v+ }) D% I* M1 G5 |' G" M% E参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
8 I- y" J" {) @; Q9 i; V) U
' M8 J% P- l: f9 T- u& t/ f9 M; l( f; A+ T1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
' D& N* g  M& _9 W
5, Balance
2 R3 y* B2 ~7 x. R6 t
可以在程序里调用，知道每次运行结束后，balance还剩多少。
. ~- \% ~, m9 S参考：
% K6 ~$ @, k7 t# e2 }https://api-docs.deepseek.com/api/get-user-balance

5 X3 Y$ E7 j& u' u' i/ _" R) L6, Models
/ N* Y# h; E/ K' i2 I5 n
目前就两个
# deepseek-chat
# deepseek-reasoner
! D  j) @8 f! I( K2 r3 Y
参考：
: L( w$ `# o1 z7 U, ghttps://api-docs.deepseek.com/api/list-models
, E8 K& F8 S0 p7 g9 C  j/ }
+ A) D  o0 j5 `! l
; R: e( j: k# M: Y( d) _1 m- L7, 问题

" B" r  M8 T# J6 Adeepseek 会将前后两段合成一段。
+ ]3 ]0 N' B) D特别是那种大量的对话的段落，deepseek会给你合成一大段。

. j! y/ h* R3 F; b  g  W8, 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。
# A+ C5 j3 k% b$ u3 Kchatgpt也是这样的。
# O# q, s! q- J" ?0 V' a) c) }

, q( k$ I) I8 U7 W3 O