利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

, x9 k( p5 Q$ A% W1 v
  c1 {" {5 C% B% L把PDF上传，然后让他抓取文字，并修改可能的错误。
2 h% n, J0 a4 }: e6 [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。
我要疯掉了！
8 T5 T! l9 e' T3 v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！
====
$ `' d- \4 e: P, l: x2 E' f2 H中文也很完美。
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。
====
+ ^2 r0 M, z/ Z* x2 Y0 [第二次疯掉了！
- \. L# Z) [% H) A$ |6 i6 h& g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。
% W3 L7 A$ z; R4 r4 Q0 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。
2 ]5 z* X& {' ^! y- ?但是任务多了后，每次翻译的页面数是减少的。
3 V' w6 T2 P  D8 e! O3 `好吧，我五体投地，继续探索。
! U1 m+ h6 s% F7 g; E- L" u====
5 _8 i  b# n- K: z8 Z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。
====
  b9 }6 D/ @% b/ i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.
====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
* |4 S0 B; P0 v' 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。
; S; }* t2 g! R; x* c3 S( L====
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。
( K9 p& J% {3 z" s% t====
用千问吧，非常稳定，非常强大。
* a3 q' }& `1 a/ Mhttps://chat.qwenlm.ai/
$ F: e2 Y" }. r# H====
; l  H" E5 f, E% Y. Y. NDeepseek，API 看上去可用了，但是不给充钱。

, O: D9 [1 r4 _

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
- p7 K! P# r0 I有没有上传整本书试试

8 T- c/ ^. j: \) Y3 W# I1 `+ X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

0 H  C9 v  k8 j) z% O( h还有把古文翻译成现代白话
0 @6 u$ S3 A- }7 o
; M7 @3 I1 L2 _5 _8 l! f/ c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？

3 O+ n0 c4 C2 C+ L" c7 t, N5 F5 t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 ...

' G9 O9 O2 u0 a1 c8 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。
) ^; w1 r$ j3 U6 a& x, O- `; w; G6 ~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
请教是如何实现的？
; T4 I) {: }, J
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 ...

" E' E9 w. q$ F3 @- O$ Q7 ?( Shttps://chat.qwenlm.ai/
( O; c0 M+ X, a6 P9 F! @0 W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。
. r1 d6 d/ \: m  r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。
7 s3 L+ |4 F' ]% b6 ^# }! h+ q& \4 D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。
' q8 I' l' \  w% X8 |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$ u3 A( `* C7 Q# e
8 a; U% J% E% o2 _& shttps://github.com/oomol-lab/pdf-craft
+ Z3 ^0 B, S( q; e+ M3 j# {
1. 这个工具要求装 python3.10
+ b1 Q1 t6 s% I0 W  j' ]. v6 d* U2. 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
6 ]* y7 p  _6 B! M6 \4 B

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ) Q  ?" P: T8 z
2. 
   ; l0 @' E! n2 J' K% B# M- G7 f: b
3. extractor = PDFPageExtractor(
   / x# n  t1 w: T; F! |" ^
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   # x+ m; u2 z* W9 n
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   . Y' F  {" b- p
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   2 I- `. O# G+ |& U5 D2 r
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

" W2 J& [$ t, O/ E, z, [
, H7 j  t- S. Q要修改的内容：
/ q/ k7 Z$ W; o2 t# v& 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
4.3 /path/to/pdf/file: 输入的源PDF路径文件名
2 k6 X$ C- ]2 b6 k
/ i, Z3 z0 b4 R" s  w/ E1 j5. 运行 python3 a.py

nanimarcus

, O7 T4 f' f% Q, m0 I" k; K+ U
7 ?3 M# e8 p/ a8 Z* G% Z. U8 m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。
效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
( v8 N) S) `$ D- e
  z! j+ u; a) o5 ydeepseek 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。
1 G! M" I. G- q2 j9 s我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
! V6 |, d) x5 o# [8 X1 g4 X4 x
API到目前为止，差强人意，不如网页版本修得干净。

# b  t% W$ f$ n/ y- j* sdeepseek可以同时开四个。
8 @! _* g7 j/ Y* Y& D# U

三力思

1 E! w) N& v" Y3 |. |, L! 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

nanimarcus

三力思 发表于 2025-4-17 12:26
" J/ t' H  }4 G8 E7 `7 w- F+ C5 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 ...

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。

+ N) X* m: s. Q7 w3 I' E2 a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

3 o5 g6 N0 ^2 D/ A) B6 t( U
& Z. P# B( @) i已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
2 z4 W$ Q% S/ R
1, python + pypdf 按章节拆分小的PDF

' u$ d% ^. ^* R( s  ?. z5 }1 @2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
% W! Z4 G- W9 P% L
得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
. ~2 `. `8 U1 T4 L5 F
( L1 |4 p5 n/ b5 S5 W( h模型是 deepseek-chat
0 h1 N2 z% V- X- j( y; G5 L, `
max_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion

) |# w4 w2 D  P+ c) f& R4，费用：
: \3 q) D+ O/ F1 H( }
! X2 S! K$ D- R8 I- x+ K* X; L实测：
1 }- s0 G  H* d0 B1 L1 A7 G+ C
  Z* ~4 S, B; d& d296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

$ z$ k) ^6 V9 Q6 `0 ptokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens
8 Z: v1 l1 m) f
价钱，非常非常便宜了。
" z4 d3 {. z; ]7 t$ C6 `3 k
参考如下可以计算，懒得算了。
7 f3 G! R1 o+ ^3 T9 d$ @
: k' _) Z+ X! E  s# o: whttps://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
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
5 J+ w" d7 x! a, a+ m2 ], q& G7 W
) W1 r: M2 L  a7 T0 B# S  K5, Balance
$ i, r) |1 b0 ]; d
可以在程序里调用，知道每次运行结束后，balance还剩多少。
% d& M' d( m( w& `7 z4 Q) x% k" Z1 t参考：
! c3 r. `! U& g; @) L& x- shttps://api-docs.deepseek.com/api/get-user-balance
0 a% r8 w7 {! V
" h% {+ b2 M# f* i6, Models
- u( [* v8 T" h1 o3 z6 R
, Q2 o/ v  g6 S# a& U# a4 G目前就两个
- p2 c) y' K' Y+ R+ L. A8 X8 B- w% U# deepseek-chat
8 U% D1 i. S' C8 L4 o! U7 q# deepseek-reasoner

9 G; ?$ ]  e  p参考：
; \  e! G1 k5 m; a- M3 ihttps://api-docs.deepseek.com/api/list-models
; A; a6 e  n# l2 {8 E9 [8 C& s
# S: K" D4 H" C: Q$ ~# x
7, 问题
8 @6 j, c0 B; L! j; r0 @6 d/ i
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。

( ?/ l- q. n2 G- L+ q0 j8, 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。
( z" Q9 s& c! D4 d1 d* k# B5 b但是API就不会出现这种情况，毕竟我们给钱了。
) |* |& R9 S, i+ f6 |: Dchatgpt也是这样的。
, Q. r- K" W$ f) `: Z8 _
2 h! h  n0 b3 S+ o) U0 q5 c3 T/ d0 t- g