利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

. ]; S; N! r8 |' X
7 o* C- k1 D7 J3 ^, X- }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。
3 a. y5 u4 H+ v0 `/ @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。
1 |1 g" Z) {: h% v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。
9 A! b2 p6 ^5 m* x( h% Z====
% r1 h$ Q" s& T/ U' N+ {; k第二次疯掉了！
0 ^) [) R/ @* R# c  ~( g$ ~8 d+ N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。
====
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。
+ `1 `4 E) \$ [/ q) c/ z3 V% H( m3 y/ I====
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。
====
& v0 o1 t% U9 B9 W8 a8 M2 o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.
( i+ S& c7 B8 ]====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
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。
+ M% z- `7 N9 ^3 m后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
* m9 _' E! q$ s- k5 f% P====
+ W) [6 J4 m% ?7 O2 u用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
+ j8 F3 L( ?0 l( lDeepseek，API 看上去可用了，但是不给充钱。



+ ?- T( H1 R, U4 p' V5 i6 K: S/ Z

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
! O% E$ C& F& r5 Z9 r/ n" n这功能很赞呀

6 d  Q8 ]5 N! }$ X) I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
, y7 l# \6 E  L; H% ^% G0 O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 U& s3 R: O5 T% m* v以后让deepseek 读出土的竹简
$ E  _6 _3 P; R+ W# v
8 b* ]9 Y5 W  g+ Y- I* n  ]6 b1 j还有把古文翻译成现代白话
' R3 ]; O" T9 t
( P+ G" A+ j+ b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
请教是如何实现的？
! t' I9 N* R5 v: h3 @
, |( {; w2 @" u- S4 O. G3 S* 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 ...

) w9 F3 S$ p$ P
2 {3 `8 Q' b# w7 j' 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。
" k2 P6 v6 p5 Z! Q/ f: N文字之类的没问题。估计deepseek现在暂时只保证主要功能。
) {6 d- ~4 l0 ^3 r0 m$ c5 T- x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？

- Z6 R" d4 L% Q% r5 b# s+ Y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 u# {, J. t" Q  ehttps://chat.qwenlm.ai/
+ b  E3 I2 |4 {( Y试一下千问，估计美国人没有攻击他，所以资源敞开用。
8 }. i/ e6 s) a0 e2 b; d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。
- ]8 g8 f8 j5 O3 K: b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。
+ k1 Z( S7 ]6 {. M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”。

/ t* l/ q8 e7 rhttps://github.com/oomol-lab/pdf-craft
$ w% b$ ~2 M9 O! O, e
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
. Y0 z& e* }( Q1 P8 D3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

; T5 q2 _7 p8 F& n) i, B

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   * j9 B( b$ [% ]& s9 ~; v' F6 P
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   " b7 F) l' t7 b) d
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   2 s8 e3 m1 q3 N4 p. `$ Y' J
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   8 j! h7 Z( a6 Z7 Z1 L2 C
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   " o* ?+ s& n8 _" C8 L) S
9.     md.write(block)

复制代码

4 }& `4 V( p  U; V$ t
要修改的内容：
# `4 U; {) I4 [  |* K+ D4.1 /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
/ p+ {. ~) @+ o9 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
* V! Q. H) j5 t, U
/ I- P5 b: X0 F; B/ s0 B5. 运行 python3 a.py

nanimarcus

2 l" B+ F3 d* Q
7 ~$ a$ t# `7 x9 G$ S4 z' O' ^1 ?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。
! Y7 I: s3 x' x5 M* S- b" ?/ {效果非常好。
- _5 f7 ~4 k. h% e7 ~2 P1 {7 p
7 _& c, H1 p8 W  ^% Z. M. zdeepseek，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。
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。

) k4 X$ ~  t+ Y7 W5 ?API到目前为止，差强人意，不如网页版本修得干净。

, T0 {2 c, `# ?; f/ r& j2 S/ \deepseek可以同时开四个。
; N9 U) Y- n' ?; A4 u0 ?

三力思

" A1 H- A) `/ u
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
7 @. a6 z3 f; ?9 ~- n! ?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
. M  ~& [0 i9 ?# I' l0 L细说一下，听上去很不错，多谢。

3 f8 m; t% J7 `- A' V' v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

7 B4 I5 d: Y/ h  D! f, L
已经搞定.
3 M: v8 A0 ?! D
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
6 q0 e# x+ o' E( I1 k
# g& V1 X5 @% u7 f% v1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

" e" C1 x6 R4 C( M. p得到text file
. P& N  f' I- E8 {% _' J
; [- y+ B$ U  m( u. Y3, python 读取整个outputfile，丢给deepseek 矫正。
$ E; p, H6 g' ?+ X$ V/ `% y/ q% B& B
' ?& g, {. M+ D, k; S$ Y8 X, [) p模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
- ]! W6 T  `% q+ e; V" u" u
& o( T* a6 M) d参考：
6 K/ r6 T( N& Y5 |) X4 O+ x% J) Ahttps://api-docs.deepseek.com/api/create-chat-completion
9 A4 U/ R" P, B- V
- \7 O3 x) p# t6 b4，费用：

实测：
, @/ ^$ c$ P8 o9 ~. o4 V5 i
6 L5 b+ v) k, L5 w4 u& b; X9 [- y/ j296K 字母，用了 9 美分。

7 S, i/ f# ^6 y+ X/ n: \英文字母 到 token 用量大约 1/3
/ h8 a1 R- D2 Z& T8 h! ^* H
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
, d1 H1 s4 n+ t  G1 ^
. K9 V5 W$ z6 a32899 个字母花费 11782 tokens，包含输入输出的 tokens

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
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
( |$ N" S4 H0 s$ Z' y! C1M TOKENS OUTPUT(5)                                              $1.10                $2.19
& e% Q4 s" g: |+ q" Q' Y0 Z
5, Balance
- q3 n1 W1 L# ]& }2 @8 k& @
可以在程序里调用，知道每次运行结束后，balance还剩多少。
1 v6 K  i1 j9 ]+ L. |" N参考：
- O" |( m7 I3 }3 D" `* _* Fhttps://api-docs.deepseek.com/api/get-user-balance

5 j7 l& |4 r4 v6, Models

0 {" k5 v$ M. A; S# o目前就两个
4 _* c4 d7 P# B7 x2 [) u/ j# deepseek-chat
# deepseek-reasoner

' P3 H6 g, ]' x# [0 v参考：
https://api-docs.deepseek.com/api/list-models
8 e# n! Y% i+ ~

. i4 ^5 f* c/ G0 Q* C# r7, 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。
* O- f7 u- ]6 ^$ i/ w
& H* _; ~& Q! t+ r& u8, 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。
+ J: r2 v, h! Rchatgpt也是这样的。


; Q1 z( y; U4 z4 Z, R, M% ~% F4 C