利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

- O$ s# c7 j) q: u# X
& T, V) P! P' ]5 _: C8 R. x+ H把PDF上传，然后让他抓取文字，并修改可能的错误。
9 s, I' a2 O9 q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。
: c0 o6 o+ M2 [2 B) M" Y3 v  x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！
. H; g" B. E  \# h' n====
  V2 k/ w4 K, g% `7 x中文也很完美。
经验值，每次十页比较稳定。
5 `- M- L4 K7 V; g- C" b) @现在我这里API还不能用，等恢复了，全自动了。
& R8 l! O1 H. p5 s2 G2 P====
, r$ \# s4 m9 T2 b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。
/ f) I! T" [% @) U( I====
8 o. M+ V' h* C/ E6 h, @: {& @' j, u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。
* h" w2 m3 @2 w/ L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。
; v! z( k& |3 }5 m( _. P/ S====
) r2 h! f( j' i4 `& m" I1 t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。
! A; t3 G  J- O2 S5 V. p' C# j
$ X( Z6 I) K% E( D: p  FSorry, that's beyond my current scope. Let’s talk about something else.
( M+ n  r+ w2 q, F) o# [/ P% r====
1 d* a4 Z* v1 ]7 K0 Q$ X然后我的英文命令也让deepseek 帮我修改，呵呵。
  R% ~8 E" u6 k) y====
' i: l3 n1 c' h4 K2 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。
( F% M1 |' Z$ [6 k& ?2 F====
时间段的话，北京时间的下午和晚上用比较好。
+ J" f0 c, t9 P) r- J5 `( l  |& ^后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
; n/ @- j3 W( c5 c  B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。

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
: K: M4 _8 Y0 M0 Z这功能很赞呀

  G1 K" T! t) o6 P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

7 g" [( D! e6 A0 D; ~* W
+ W7 ]% U8 A1 a7 A" k. l3 G以后让deepseek 读出土的竹简
  E/ a$ E7 E9 x: j3 |9 T2 S
# N8 U( }# F" r3 w5 N/ _4 Q还有把古文翻译成现代白话
3 w5 s. P: e9 q' N1 v. a
; `  W1 m. J" X& k+ x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？
8 q& U: Q. \8 m. f& E$ r
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？

" z0 b7 z  O6 m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 a' z4 R" f" D4 M" l
3 A6 X# S" D9 u9 m4 _7 f6 S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。
: V* K7 v, C" E4 J$ \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
  c$ _0 Z! M) R1 I; g! V请教是如何实现的？
' G: n3 w, J! ^" |1 f4 F% u. j4 b* E
4 r8 s5 f+ C  \5 Y4 f5 a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 ...

' P1 j9 ~# b$ m7 U! R. y- I2 Zhttps://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。
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。
' {. G5 R9 H- M' Q6 _" }" C! F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。
8 _0 g8 x9 j; w: [0 W9 l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”。
( W+ ?% S+ K. Q& S# r/ y7 R/ {. O
( Q1 q9 J6 i6 C! y. ]https://github.com/oomol-lab/pdf-craft

! Y$ ]$ _' Q: U3 l1. 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
% S) X3 T' a$ S: ]. a) D" J3. pip install pdf-craft
) X; |  w+ Y4 j8 S( U3 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
   
2. 
   . l3 L' ^9 b1 `" G" w$ O
3. extractor = PDFPageExtractor(
   3 _" a: Z5 t/ g
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. )
   1 k8 ~. _$ F( x$ V! e( `
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ! O5 Z4 Q: T2 S8 q7 R
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 v/ ^, l* I% c9 k; D. g4.1 /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
2 Q; q; F* `+ H
5. 运行 python3 a.py

nanimarcus

7 G1 {; k+ t9 i. z) Z$ ?: O6 S6 E目前为止PDF转纯文字的最佳办法。
: c5 K, ~( Q5 H" C% o先写个小程序，把PDF按章节切成小的PDF。
7 [2 M$ g+ E" n1 m3 F然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
3 K1 ^' y# U: H9 R& m5 C
deepseek，qwen，chatgpt 三个，deepseek是最好的。

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。
3 H; B* z) X3 g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。
- q; M# c# B+ Q7 g" c我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

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。
+ D- ^& }+ r1 F, W5 H$ \

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
3 a4 e, s# M8 @" b7 b% c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 ...

7 Y8 T/ O' U2 z细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
# U5 r& i: A0 n0 r1 A3 r; ~细说一下，听上去很不错，多谢。

7 q8 [3 p# V$ y8 z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

5 a- M5 f% V8 P8 U
已经搞定.
7 R! ~3 y4 O' g& d0 b. r
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
, I2 x- F, x0 r( f4 g
1, python + pypdf 按章节拆分小的PDF
* o" O8 o- ?0 d$ `+ x, a- Q
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

! i$ g4 j6 K. L* X8 g$ K得到text file
2 t( W2 F! O1 L; B8 k5 m
. R; g4 d" q! T1 L7 q3, python 读取整个outputfile，丢给deepseek 矫正。

. n) K. `3 [/ \  y+ v模型是 deepseek-chat
0 I) F( G' L8 P4 I
$ X, r- i5 [1 A, _max_tokens 最大是 8192，别的不用改。
5 I0 Q0 M% _. W" J+ h& X0 F7 P4 Z
: ~7 O/ Y7 r. J% c' u( H: t! q参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：
. e) [1 T+ C. E1 e5 C
; o7 ~$ g' u9 |; {" o实测：

296K 字母，用了 9 美分。

( s  W1 x5 H5 r# L3 O英文字母 到 token 用量大约 1/3

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

; Z! l- `4 |8 L7 z  u0 h价钱，非常非常便宜了。
, L" N& P9 w) E" \9 b
参考如下可以计算，懒得算了。

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

7 k5 l/ z' B) u1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
6 m9 h/ @  l2 ]! k4 ?. M" q1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance

7 z5 e6 u3 K4 x  Z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

6, Models
- C. t) Z7 H# I7 s' Q
目前就两个
5 i. f; `9 W1 D6 S' I" i* A% V! V2 b; ?# deepseek-chat
/ I9 |- ?8 V+ D+ a  S4 A6 ~$ B  d# deepseek-reasoner
( i  ^1 }- R2 n% W" O
参考：
https://api-docs.deepseek.com/api/list-models
9 U& m/ v& \- ?" r. s2 u: H

7, 问题
. J* G4 ]7 g+ l* m+ ~8 C
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。

/ }# g, E- F( U$ K/ E: j$ ddeepseek 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。
( D( {2 S" L# g% u' m/ Q5 V9 s) g但是API就不会出现这种情况，毕竟我们给钱了。
1 U3 z- L4 H3 T! _1 {0 Kchatgpt也是这样的。
& p! j) S, Q* M% y: L
  m: U* b( }! P0 Y7 W