利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

+ w3 ?* W# Q7 x* C, @" M  p把PDF上传，然后让他抓取文字，并修改可能的错误。
9 T) s$ E% h/ s# W9 }: |8 W然后deepseek完美的完成了任务。
; ^3 b$ X8 D' F% I, ]4 {& e段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
4 S% G1 w+ _) u) ]: x" 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！
====
中文也很完美。
经验值，每次十页比较稳定。
( L: Z4 E; C# ]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。
" v' r* o" z1 I====
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。
, }' n" ^  H$ B  {; e+ c, @+ G8 e9 Y; ]但是任务多了后，每次翻译的页面数是减少的。
0 u' g$ _4 m# I1 `! Z7 A" T好吧，我五体投地，继续探索。
' F/ ^$ i( ~& o/ k====
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 M# i4 g# c+ H====
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.
' _% \* `( ^4 @# I0 K' L====
: c; f8 p) E; E; z  Q6 X& Z然后我的英文命令也让deepseek 帮我修改，呵呵。
====
! r( Z' Q& S$ n; j+ {) w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。
====
/ @8 _7 r" h& b. V0 C7 A1 v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。
====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
# _/ g1 ]! m/ n; }====
) H1 l% F- Z) z2 w* @Deepseek，API 看上去可用了，但是不给充钱。



  P& P! P! A; ?3 I: {, A6 K9 S: b

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
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

. R( f0 [7 L( I4 R7 j
以后让deepseek 读出土的竹简
* i- Y7 n% d+ p
还有把古文翻译成现代白话
6 r  Q. u, S) M1 t3 s4 O  P
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？

  A0 S1 H( p3 Y% T, N2 H- 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，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？

0 ]; a6 s: O4 e% u  U! n" r7 `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 ...

5 w# N' u; B7 [) X+ h6 G1 m
  F1 M6 C* [+ w9 n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。
' \" P1 p% B% V; q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。
/ j( t# R# H' ^" j+ u2 x1 A9 o

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

3 O5 K/ W  E* N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/
  X4 ^( Y2 a; p+ d" ]  U试一下千问，估计美国人没有攻击他，所以资源敞开用。
! c* X- e7 Z8 @6 C: Q" h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。
' o( a  i* A( j  v- C  M! 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。
* I+ i2 Q. I( G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* H/ S% q' ]1 chttps://github.com/oomol-lab/pdf-craft

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
5 b. }8 l$ \; _7 U  N0 W4. 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. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ! N: l* z+ I* l/ B5 J
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   2 C; g! o# d3 b) U/ G
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   " }: C$ Q" C0 D4 H$ ^) r6 T; ]
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
4.2 markdown_path：输出的 markdown 路径文件名
) Z/ I' F2 \7 V7 s1 ?4.3 /path/to/pdf/file: 输入的源PDF路径文件名

+ }( [9 r5 q" G5. 运行 python3 a.py

nanimarcus

" ?. a0 q! a7 c2 A" |# D目前为止PDF转纯文字的最佳办法。
+ v5 S7 m- F2 r/ I; |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。

deepseek，qwen，chatgpt 三个，deepseek是最好的。

2 G) v/ Z; J; ^/ G2 \& ~! K, Pdeepseek 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。

9 ~2 v- K1 d% \/ gAPI到目前为止，差强人意，不如网页版本修得干净。
& H& O7 \3 R1 m$ Y5 z9 ?' |
4 D2 N+ {( T4 K) s8 z+ s8 cdeepseek可以同时开四个。
1 s! r2 B- F& h* _

三力思

* i3 L8 t" f- g- a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 ...

! v' {! B' I% B$ b3 R" U细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
+ H; _% I+ t3 e: h0 w5 Q7 ]2 k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

* n( |5 @; x$ z+ I% w
已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
, {1 ~0 {4 i6 l8 Z5 f" v, Q- k
1, python + pypdf 按章节拆分小的PDF

' R' Y) D% l" M9 N; m' A6 Y" F( F% S( B2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
9 w! u' a& k! D# S& M
得到text file
* s# t( R2 o" S  S( Q) [
3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

5 H/ j8 U: d+ U7 C. omax_tokens 最大是 8192，别的不用改。
8 w0 m* J0 o2 q) L3 d% F
参考：
! X1 g6 ?- D1 phttps://api-docs.deepseek.com/api/create-chat-completion
* t! j- y" k  G
- r7 X5 V' z% @' a' a) n' e2 H1 F( C4，费用：

实测：
1 }& E5 B% {, H+ @6 \. ^
296K 字母，用了 9 美分。
' L5 U# U1 s. m
英文字母 到 token 用量大约 1/3

9 s2 O( @8 h" E8 {tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

  l. _# m( y- U6 [, I8 c32899 个字母花费 11782 tokens，包含输入输出的 tokens

7 h/ s% v3 @' W价钱，非常非常便宜了。

! D. [  ~, m3 l6 B: O. {5 ]/ Y  `/ X' K0 T, V参考如下可以计算，懒得算了。
# n9 z% [. O6 m  ?; l8 w  i& ?+ p1 a
, y, R; Q) y! u& ahttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
! G: W+ e7 e6 I0 o0 J1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
* @" X6 C' p9 T2 j% S
, ]2 g' \/ T6 G2 H: P5, Balance

/ a7 H& k/ W2 B8 ~8 J1 K7 J可以在程序里调用，知道每次运行结束后，balance还剩多少。
$ V, \2 N# s& n5 \# C2 L* s/ w参考：
/ d- u4 l# [* [5 P  ^) shttps://api-docs.deepseek.com/api/get-user-balance
) u3 o, i0 N1 g4 [2 E. Q) t
6, Models
: E% A  w" ^) Y% ?& U
目前就两个
# deepseek-chat
6 j2 h! s: u/ c4 U8 q# deepseek-reasoner
* P0 Z* t# O. n$ M% a3 V/ K9 n
  ^) a& g- C7 _2 S$ {参考：
% w2 i$ W9 G) ?1 f1 z  l2 O- yhttps://api-docs.deepseek.com/api/list-models
6 M1 s  ~. }& V3 m
; Z1 H7 o; Y6 p9 |8 T; V0 @8 [. @
+ E" z8 v; W! A+ t* \7, 问题
! U1 i1 [: {+ @: w) v6 i( n: M
deepseek 会将前后两段合成一段。
4 W8 a5 F2 I' e' u! D" j& W  D& {特别是那种大量的对话的段落，deepseek会给你合成一大段。
# b/ D/ L" d" d0 u9 ?' ~% Z/ S$ U. Q
* ?6 ?+ Z3 x# M# ?$ {3 I8, 钱说了算。
% |8 h( H1 [, D$ A) ^5 ^; E1 I
5 d. e7 P' d; m5 p1 a9 n+ y6 Jdeepseek 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。
" m  i* s  @/ H3 vchatgpt也是这样的。
6 i$ O# ~' q" k" y* |$ B, a  U