利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

  k7 |* C6 }$ v1 g
把PDF上传，然后让他抓取文字，并修改可能的错误。
# z, o( M* b4 v3 L3 b- {5 H然后deepseek完美的完成了任务。
5 w6 P3 t/ Q! `7 {$ C8 T0 Q段落清楚，列清楚，页眉页脚全部去掉。
4 L9 n/ `- J) V- j/ R: D1 g我要疯掉了！
# G1 G& U$ E* t2 I' C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！
====
0 Z% u: q* T2 d( T& F& a7 T  ^& [中文也很完美。
& I4 b: O2 B/ `经验值，每次十页比较稳定。
  b6 U5 F. X  x, Z7 b现在我这里API还不能用，等恢复了，全自动了。
====
7 M5 v% i# D- X' Z/ ]第二次疯掉了！
8 K4 {* X3 t: f9 Q. K: L* ~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 @2 V% U! q% H* f: ~====
2 `7 [* L0 F& x& [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。
" O! a( ?0 e$ [1 U  W好吧，我五体投地，继续探索。
====
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。
/ t3 h* n' ^3 G' Q, i====
% X- [& b: @* R% F1 B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.
5 x9 v. u. x8 p6 L! Y) g. {' L====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
& ?+ B3 U$ N/ p- Y) Y: S. q: M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。
2 j0 s. l. z+ t9 b0 n====
时间段的话，北京时间的下午和晚上用比较好。
+ I$ u% I  T$ R/ }- O. Z  D后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
8 ?* B0 F; b$ v$ [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。
) p0 g0 X0 y* w
/ u7 k9 l8 P3 `7 F8 C( ?# L! g$ r
3 F: g; [4 @+ [  _

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
+ N  ~# C# d# C8 K8 L% S0 A0 A: @这功能很赞呀

0 E+ j" X- |) K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

" R; _: ^9 h  ]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

以后让deepseek 读出土的竹简

还有把古文翻译成现代白话

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？
& v  n5 h6 b7 {- x) s7 H" e! E
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
4 A) g* ~8 e9 y$ T请教是如何实现的？
6 \4 h2 Z- ?5 A& @8 B+ S) T
% F* c0 f/ M( D! m5 a+ d% f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 _( ]8 Q" f/ 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。
+ k( \: v+ T8 R  \/ f- b+ z5 p% L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。
9 p- {' j7 b4 [3 }: S5 J- L

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

- ~, |1 ~2 T. f) U- v) _; C! ?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/
3 w8 l& A* U5 U: ~" n0 x; M! z试一下千问，估计美国人没有攻击他，所以资源敞开用。
; L5 j$ {5 H! I9 N% K很稳定，质量不错，好像最多一次处理15页。
7 c: x# F4 o5 W- O! V# o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。
4 G* U( U9 @, q. g. J3 W! N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。
' J4 g0 `, U0 p4 H. }6 c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”。

https://github.com/oomol-lab/pdf-craft
7 C$ O' V& @2 J4 X: w( u  A* ]4 t
1. 这个工具要求装 python3.10
, }( C& ]4 b: y- E' F, ?. {- Q2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
( o5 _' |& J; Z; i0 H  S3 C9 V4. 把下面的内容写到一个文件里，例如 a.py
$ l8 B# K: w; }$ i5 b0 Z0 Q2 U
. W3 D: U) s3 y" t6 |$ T

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   " m9 G9 ]* h0 F1 u9 I( O* z, x% m
2. 
   & g& T8 _) g: _! @
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
   
6. )
   , s- n  ^% ]0 f4 B
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   ) I$ f( P6 e  [5 @2 S& U- e1 ]
9.     md.write(block)

复制代码

9 @  p9 j0 @# ?' A. n- c( d要修改的内容：
, r+ W9 n& u; K* F3 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
4.2 markdown_path：输出的 markdown 路径文件名
" k+ @0 n) o* l4.3 /path/to/pdf/file: 输入的源PDF路径文件名
5 w8 \+ d9 G% {4 J6 [
. R6 Y6 d  q; B2 p% v; W5. 运行 python3 a.py

nanimarcus

$ u( _! g; P' i
目前为止PDF转纯文字的最佳办法。
7 z1 N5 H: x' L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。
" Z5 i) f- l. E5 P* C: [效果非常好。
9 b1 C$ T2 b2 L. N0 [: ]
deepseek，qwen，chatgpt 三个，deepseek是最好的。
; L) V/ U) q' V- a! A/ Q
7 F1 I6 Z3 U6 K# bdeepseek 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。
$ E; U! [" M' Z' w$ B# i% ]0 X3 k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。
1 F; X8 j2 Z7 ]( k我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
$ N6 I9 `$ T6 a9 I! ~
API到目前为止，差强人意，不如网页版本修得干净。
( W8 |$ C9 C  ]+ y+ }0 e, x* n1 F
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
4 b0 _4 O) f/ _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
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

已经搞定.
) n: l/ z' h5 }
0 N' H" l1 Y) X6 |6 h9 v! v首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

8 X  p9 _  x" [2 ^1, python + pypdf 按章节拆分小的PDF

$ F$ `& C$ p$ [  b" X2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

0 z4 [/ b& B7 N) m( N2 j得到text file

# W2 Z6 D1 R  d/ \1 q* x6 j3, python 读取整个outputfile，丢给deepseek 矫正。

% V8 j+ J3 {# b1 q+ i1 F& x  \模型是 deepseek-chat

* z0 I6 A8 L8 hmax_tokens 最大是 8192，别的不用改。

参考：
1 K+ X5 T' p! @/ A  M* shttps://api-docs.deepseek.com/api/create-chat-completion
! a  m3 p+ z. _3 j& }, f
4，费用：

# I( G. O( R: Q2 ^实测：
( s3 n; i9 m+ J0 U/ o5 {9 z! c, B* A
1 B4 J1 c8 L. |' c0 F5 \5 t  p296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
/ Q+ d6 ]/ M& ~0 w% L; V1 c7 e
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
/ `/ S! \+ @' _
. Y3 _; _2 E) C; I( G* Z7 p, _0 W* L1 I32899 个字母花费 11782 tokens，包含输入输出的 tokens

% t9 P! Z  v8 v- Z2 e8 _价钱，非常非常便宜了。

5 ?. |! j& ], G+ M7 y9 l参考如下可以计算，懒得算了。
3 @; |" Q+ W% M8 Z' j  w* p+ q
https://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
. D" d  t. |6 \0 i1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
- @; M) @& L& m4 t/ y7 X3 b* f1M TOKENS OUTPUT(5)                                              $1.10                $2.19
) `7 c% f4 r# ?6 h3 D4 G) P5 \
5, Balance
3 j" W1 e+ a. l. m! j% e# u
; k* L) z* I' O7 N可以在程序里调用，知道每次运行结束后，balance还剩多少。
5 |7 X/ V$ u$ W参考：
( E5 a. n& N1 V5 Yhttps://api-docs.deepseek.com/api/get-user-balance

4 L! z6 m; i. ^1 q0 g6, Models

目前就两个
# deepseek-chat
# deepseek-reasoner
# E/ z3 @2 j8 M8 ^8 p2 B
参考：
https://api-docs.deepseek.com/api/list-models

' J, X" g+ Q+ k) \  o8 o
7 i0 |5 D4 y* l0 p: y7, 问题
$ N% u4 l7 S1 R
, ^7 [; D, S  `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。
6 m5 q# {& S' J
0 r* i  M8 q" f# K. K0 V' 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。
8 P6 f4 ^$ K8 }0 `8 y0 \. Q2 d/ N1 f但是API就不会出现这种情况，毕竟我们给钱了。
- S) U( c- i7 J5 B. Ichatgpt也是这样的。
" @$ p4 m/ H# r
7 x3 j; w  x  Z- E8 |7 Q1 V
1 k6 B1 v) V; z# V8 f# x  |3 w