利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

5 [+ Z" q/ ^/ t1 ]4 {; O* C
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！
  x% j# L; g2 E% `0 N( 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！
: J) u8 K# z4 D====
% x9 n* l, W+ e% M8 h" ]中文也很完美。
' j" c) X, }% E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。
! Y( |- J+ P& J! ]6 g====
第二次疯掉了！
0 P6 A+ y3 e6 s3 r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。
7 W& f$ T/ x: P====
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。
====
9 @) i; F- Z( v. K" a8 q! T& a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。
( ~5 W! v( O6 A: D' J5 [====
: q( G1 B  q8 I- R2 E2 {好吧，有些东西是不给翻译的，哈哈。

Sorry, 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。
====
9 z/ V( b0 Q% e/ B& X. Q9 O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。
( j- d/ O. E: M6 p) C后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
4 t" z# _' L' n2 t====
$ w& Y. S2 x$ I' j* E9 ]: w" E7 @用千问吧，非常稳定，非常强大。
" m# o' P. |. G: F7 Dhttps://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。


; E8 X! P) T4 Z' L( S$ r4 G

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
  @! @' Z2 K: A* ]8 D, `: Y7 Q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

) h: O. a' r! l, M以后让deepseek 读出土的竹简
8 U/ R' `4 Y0 m$ ]$ r+ z
5 @0 [+ j* l: h$ d+ B$ x还有把古文翻译成现代白话

% n* V/ @) P, D2 G; N* r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？
' T# p) ^- J3 G9 p/ m* p! K
/ W' n( r) C4 p& [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
( @$ s# L7 [1 A$ ^# Q! `请教是如何实现的？

$ I/ T9 T! ^% n5 P, x- k$ c2 B# v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 ...

0 g' u0 f$ s. F% Z+ d; b/ B
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。
! X1 g1 J6 b# u" L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
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 ...

) ]. D7 t6 M" f0 I7 _1 a# ?https://chat.qwenlm.ai/
: k. S% L# \9 j: G试一下千问，估计美国人没有攻击他，所以资源敞开用。
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。
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”。
) e" G+ r9 u- ~8 U5 }: U) X) ^0 T; ?
https://github.com/oomol-lab/pdf-craft
* \" M% |" p% W
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
/ _6 H* \8 v) Y4 y
4 Y' G) c- t  M: r( E+ O

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   4 U3 u. F% H/ G2 c3 }1 G( w
2. 
   + D$ ^' b& d8 u) h- u
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
   : j6 z* S4 M0 p& c. e% C
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   3 i9 N2 \. K9 t& C, b4 w+ t
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

: x% `. F/ j: \
要修改的内容：
$ O1 s' u! }( v, ]  M4.1 /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
8 @5 d; B) L; J- |$ t* d$ T+ m- [4.2 markdown_path：输出的 markdown 路径文件名
. o5 H& d! Q+ M4.3 /path/to/pdf/file: 输入的源PDF路径文件名

0 _2 }# t) H# q. t5. 运行 python3 a.py

nanimarcus

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。
( p/ l' x9 M% a- o) d" i& w然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
  l' z# _  ]$ _效果非常好。

, `% y2 b! X1 v. K$ ~2 Sdeepseek，qwen，chatgpt 三个，deepseek是最好的。
3 W& d6 A/ e1 J1 v6 b# L8 o7 k) Y
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。
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。
& c% Y9 G2 u% @1 v* I2 m
# _  Q' P0 ]7 ^4 ~. \( N( kAPI到目前为止，差强人意，不如网页版本修得干净。
2 b' V' d. p* W4 \3 p5 u. y2 ^
deepseek可以同时开四个。

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
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
; j5 E9 g1 [: \( D7 u5 e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

! Z- e% z8 E4 \+ P
8 K' {1 q/ D& f5 O& P4 J/ Q已经搞定.

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
# j( |1 }% X2 i) f: l
得到text file
: z5 _; ^2 K: N$ L' W
3, python 读取整个outputfile，丢给deepseek 矫正。
$ S. Q. i6 d% w; Z5 c$ o3 E1 H
模型是 deepseek-chat

! }7 A) _$ i& rmax_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion
6 W; p/ l' x7 N! x. c. B
: m; ]+ R8 e$ q9 a6 k& ^, s& T4，费用：

  }7 q6 h+ i* v  ^实测：
% V' q4 V. M- M  f# D- L- G, f
8 o( g) j7 P" j" V# ?; T2 N296K 字母，用了 9 美分。
1 q" k$ `$ o) f
英文字母 到 token 用量大约 1/3
: a% _4 l: n- F! f# Z
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens

2 F0 S) X; W0 \0 o  J价钱，非常非常便宜了。
0 R1 a  c6 J  ?6 ^/ B* a: T) N% }5 v
  R: u/ W8 I, Q2 _  |参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
" g( A7 x* k3 a: [) y/ ~* v" |$ d: x
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1 i; ^" S$ w+ |2 d& G1M TOKENS OUTPUT(5)                                              $1.10                $2.19

% K+ A* n8 d* w& r6 p5, Balance

2 [1 q5 _% w% ]可以在程序里调用，知道每次运行结束后，balance还剩多少。
1 r* ^$ Q/ Q0 X3 B参考：
+ N/ R- P8 ~: I& b4 W, C- Nhttps://api-docs.deepseek.com/api/get-user-balance

6, Models
- `8 ?8 u* A% e9 n4 _
目前就两个
# deepseek-chat
! m- i/ m, Y" K# [# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models


7, 问题
& I' p. V/ a8 k
# ]. C/ B! j1 udeepseek 会将前后两段合成一段。
0 s- ]8 C) }1 P3 |; C特别是那种大量的对话的段落，deepseek会给你合成一大段。
/ T& y8 ]0 z  C9 e0 T( r+ r/ M) S) i
$ o! o4 y, Y" p% ]1 k; L8, 钱说了算。

! g& l2 q0 h( U$ K' sdeepseek 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: G. j  l% _. S! _# }chatgpt也是这样的。

; ~8 r( q- Q" f1 M9 j* L
$ c6 a6 Y& M5 x+ a8 m3 y