利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

# I9 @# Y# m& _# j# I) S0 j! d把PDF上传，然后让他抓取文字，并修改可能的错误。
3 O4 u, F8 W% T然后deepseek完美的完成了任务。
+ F' j, `: s. K+ W/ c9 H5 r段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
/ S9 f+ Q: r! q" U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' m4 x; \0 ?中文也很完美。
经验值，每次十页比较稳定。
- @1 J# \& f; O8 A) ^现在我这里API还不能用，等恢复了，全自动了。
====
第二次疯掉了！
- V: g6 ?. q2 z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。
====
. b! F7 U# S! v! R; ]5 E; 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。
但是任务多了后，每次翻译的页面数是减少的。
7 T3 i. r* P8 g好吧，我五体投地，继续探索。
' w5 X+ b* j3 g7 M* Q====
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。
7 E8 e7 k- I: ~8 X# K% U4 S====
8 x6 u8 }% g: e* q好吧，有些东西是不给翻译的，哈哈。
0 u/ B4 u" T: t* H4 C. {
Sorry, that's beyond my current scope. Let’s talk about something else.
2 y& F4 F; P6 L1 `+ H" k====
然后我的英文命令也让deepseek 帮我修改，呵呵。
0 |* ^1 _3 s% w2 ]& D# A. V====
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。
====
& ~& s9 ^! U' h; w时间段的话，北京时间的下午和晚上用比较好。
* w; T' y9 w( Y+ Y8 F& e, u后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
! @, Y5 @# n0 X====
  i' W1 t6 P! E0 z2 n用千问吧，非常稳定，非常强大。
$ w! [" t; T1 F8 Z2 ohttps://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。

- ?4 |; r: n  z( S) ^

$ k5 ?; ~% X4 Z1 j% ?1 {- b6 Z0 u

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
& u+ z3 Q+ n, T* d8 @这功能很赞呀

2 J* j2 X( K: X) D- d: f8 _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

6 m; J2 R, D, I) O4 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 T9 J3 U" D5 G' M% b6 n0 i/ `以后让deepseek 读出土的竹简
& U& Y# |$ i5 n3 K
4 D3 d+ m- E; D; A& `还有把古文翻译成现代白话

" c: @/ i6 K! n8 W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
: c! n2 k; S  e) G% w( ~+ Y! R请教是如何实现的？
" S, ?3 _+ T8 w7 G2 T5 O9 W
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。
# r, T/ R% l- n, g; o0 ?, z% I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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
3 d# ?! |3 K$ v4 O! \3 A8 b8 \& E请教是如何实现的？
# B. |( a1 n9 O3 O2 t7 G% l3 {
* m) [" E$ n3 W+ u/ 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 ...

7 Z7 k$ T0 R# T" Y1 V' q4 u# ohttps://chat.qwenlm.ai/
, y$ k7 r  {" g# _! ?& ]5 z! Y2 l+ Z试一下千问，估计美国人没有攻击他，所以资源敞开用。
+ `4 c! G+ l+ [+ C4 \* N很稳定，质量不错，好像最多一次处理15页。
1 Q1 i( J" B5 u; o5 b% e+ `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。
8 D6 J& ~" y6 O7 l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: d8 m/ I9 l; W; b& n' \# _* K
% z  n2 ]4 m4 q; Chttps://github.com/oomol-lab/pdf-craft
3 t& [' c, a2 J6 i; {" g) d* J
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
   4 f' l, [# O. N1 L: b  w2 ?' w
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
     y0 d' O3 J9 e! L
6. )
   5 b# t% i( z9 s7 H7 j+ Z5 n. s
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ) _, c" p. _8 E0 U
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：
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
' \3 P2 c/ U: n% \2 v+ G4.2 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
& M1 z$ S: `9 D# M. i. x. B
, D4 D) p" ^' v9 D  e8 {5. 运行 python3 a.py

nanimarcus

' S( F$ c# ]  i$ ^
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。
& X6 v$ P, v& z然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
# M1 O3 P+ H  G; {效果非常好。
& X$ G: d' b. j8 r0 d
1 ^, N7 m% B$ j( o! Ndeepseek，qwen，chatgpt 三个，deepseek是最好的。

0 n% m6 p0 a/ N' wdeepseek 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。
0 b. [) U8 G% r; z8 v6 `我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
( f& I7 m. o+ H3 Y5 N. D: v4 A
API到目前为止，差强人意，不如网页版本修得干净。
5 ~5 N* n5 K  F. x7 s! w/ j( w* F
deepseek可以同时开四个。
# \3 i2 w: z2 w: O

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
! W& x1 T" f: T/ w2 K* w' \0 A" p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 ...

( N1 Q; r; B8 t& F细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
/ M; E; c: y' H) `, }细说一下，听上去很不错，多谢。

+ R6 I& x- A$ u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.

- R% o  [/ E! c% x: F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

- e- i& j3 P# O+ Y4 ]0 Y2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
# l) |. g1 r; n6 v
得到text file

7 x2 Y) x: ~- L" H3, python 读取整个outputfile，丢给deepseek 矫正。

% j7 X' t- L& F& H模型是 deepseek-chat

! z& j# ^4 h# Mmax_tokens 最大是 8192，别的不用改。
9 D9 N) }2 d; j$ A8 n
参考：
https://api-docs.deepseek.com/api/create-chat-completion
. d% b- {0 X( s
4，费用：
1 D( C" {9 G3 g( I, `  t
) U+ t, F9 p* ]实测：
& S" u9 R' h, Q! F$ \
296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
2 F. K3 D" A4 @6 @
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

' E) f7 S+ g6 ?7 R32899 个字母花费 11782 tokens，包含输入输出的 tokens

3 m. }$ l# q# I+ J. S' t价钱，非常非常便宜了。

参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
) M+ W: R7 A4 _+ b7 C) M  @4 I6 e1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
7 |0 H* P; K4 O3 m# X# C6 S- [; O3 H
5, Balance
9 O5 E4 q* l& A4 s9 K5 }2 z' x
6 t& {1 a4 T! a0 V2 p1 v1 {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

1 s! Q) G" a. E0 h6 J3 g6, Models

目前就两个
# y" V, v! W3 Q- V, f( R8 o# deepseek-chat
# deepseek-reasoner
5 w9 ^  F0 C* v5 z4 G7 E0 y4 {2 x
9 z9 F& G& \, T2 G/ f; n参考：
! i; z4 @5 c# M# _) S" R" r$ X, ghttps://api-docs.deepseek.com/api/list-models

  x6 d# N" \( m; R& H$ y- t: x, ?
7, 问题

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。
* z/ ?! v3 L' O) `+ s. E  n7 E
: |: t+ c+ l3 c+ U2 j4 Adeepseek 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。
7 Z$ \; Z% L1 o2 y! m) a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。