利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

( ]1 v* s/ `/ Z! N6 x( O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。
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。
经验值，每次十页比较稳定。
' M0 ?) f0 Y; p8 g( l: ]8 q现在我这里API还不能用，等恢复了，全自动了。
! X6 L: G8 \0 X2 [; |# _$ |====
第二次疯掉了！
6 Z/ Q, b- Y$ M* v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。
0 M; d: z$ d  W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$ [, c' C, A/ y8 N====
9 q3 c5 J' q9 E% x: U% s9 L* l8 n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。
$ Z; o/ t" ^+ m, n* N# ?2 h2 |6 n7 W====
好吧，有些东西是不给翻译的，哈哈。

3 S, E7 D  Q4 R2 H% d# qSorry, that's beyond my current scope. Let’s talk about something else.
' W  A/ U1 \" M+ @====
" U8 E0 t5 s! w* a+ l4 V+ d然后我的英文命令也让deepseek 帮我修改，呵呵。
3 M: c% o" z+ t( u* V4 o3 T/ I) ?! e====
9 w1 D% W, V4 U# b+ ]. d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。
后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
5 G) ?/ b9 _( z5 h2 N6 s8 l====
, h! s4 }3 J2 o" O, T, ?/ E用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
& ]( ^( r- G0 ]8 w3 f' {====
1 b9 r& m7 U, X+ Q  P. vDeepseek，API 看上去可用了，但是不给充钱。
/ X+ d7 @" {2 }5 t5 e

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

$ g8 R$ _* I1 a# k) t8 T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

% a; L! C" |6 D3 O" i) O
以后让deepseek 读出土的竹简
, V$ Q+ Q" A" t: g- Z9 S
3 e) L! M' @4 ?+ l还有把古文翻译成现代白话

! P. e5 [5 o# o! I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？

4 X2 @' X; [( [' v0 [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？
9 {: o' t" S2 b1 n3 j2 j9 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 ...

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。
: Q( n! L9 {5 l% V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。
! w. S: U( V6 |# c  R; L$ c

nanimarcus

方恨少 发表于 2025-2-3 01:23
9 _9 o8 F; h! e* ^+ R请教是如何实现的？
1 `# Z; G& Q; 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 ...

https://chat.qwenlm.ai/
# \  @( o. U5 A1 L2 g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。
( _. h5 M; h, X0 u, p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。
" T+ ]+ I' {' U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。
5 q+ c8 }$ R3 `# [( A" B9 T4 u% J9 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”。

5 z0 d2 S6 v, q+ [8 bhttps://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
4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ' k) s" W  q5 v
2. 
   ; u( X$ B6 m% D8 J/ B2 @
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. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
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：
4.1 /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
; b+ l9 W" a, h# f7 U# j  x4.3 /path/to/pdf/file: 输入的源PDF路径文件名
; M' b5 _* R( ]6 }  I: T5 c, D
  S* Z) V# c- L# \2 ^  E5. 运行 python3 a.py

nanimarcus

4 N/ v9 {6 @2 a0 t/ |目前为止PDF转纯文字的最佳办法。
8 `2 c' Y& \4 I$ Z$ X先写个小程序，把PDF按章节切成小的PDF。
3 a/ w, S* P* C1 A% p0 N9 K: \然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
+ ]) o  e8 N% p$ X效果非常好。
+ I; z9 x) `. u5 ^8 p$ R( z
: Z6 J8 T) _) e, i8 v% Cdeepseek，qwen，chatgpt 三个，deepseek是最好的。
  o  |, k2 p7 z$ s- {9 O% F
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。
$ Z; o6 Y/ D% g8 d5 M9 @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。

1 ?1 m% l3 ?; L5 n4 n$ PAPI到目前为止，差强人意，不如网页版本修得干净。

$ o/ X( p3 H  k- g  f  Udeepseek可以同时开四个。
4 v1 F* |- Z: C7 B4 o5 S

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
" f$ V" A. Z7 [, m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 ...

- X% F; 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
细说一下，听上去很不错，多谢。

) V# t, V* v0 k4 d7 P0 s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.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
% p4 d3 M1 p1 H$ d/ a/ @: Y7 I. |- E
! @) ?3 `* l9 A8 f" J0 P1, python + pypdf 按章节拆分小的PDF
5 ]* P6 x9 I+ F  [# o0 k, J
9 \/ \2 m' d9 Q2 b' y6 r- l6 g$ P2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file
  C+ d- e3 R! f; f
; f: o' F) U5 {8 F$ @8 o4 c; f  V/ v3, python 读取整个outputfile，丢给deepseek 矫正。
1 j2 E$ f! P. n# b0 h0 s
模型是 deepseek-chat
7 r8 ~6 F4 ^/ v! D0 e' f
max_tokens 最大是 8192，别的不用改。
4 R3 m, o/ Y% _8 S8 Z, T3 J8 o
6 R4 t' m4 {1 Q: j参考：
https://api-docs.deepseek.com/api/create-chat-completion
5 X& ^& ]- _" `/ l/ l" S
4，费用：
) b# E% {' \1 P, U4 W9 S4 H
实测：

296K 字母，用了 9 美分。
" j3 b) {) q* k9 U' U8 j8 d: ]
英文字母 到 token 用量大约 1/3

# j# l5 N1 {/ O5 V) n- ^& O! @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
4 S! M( k$ f- D6 @1 ]
3 I* @0 Q3 \9 j3 A价钱，非常非常便宜了。
8 n$ M5 ~% \6 _% c
参考如下可以计算，懒得算了。
" f+ e% V1 h/ r; T
8 ~1 s6 T3 f+ h" `% ?. i6 `https://api-docs.deepseek.com/quick_start/pricing

" h3 K4 a" J9 j3 R- B1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
3 m  t3 A' ~/ J1M TOKENS OUTPUT(5)                                              $1.10                $2.19
0 ^5 m% |2 K2 a
$ s. ?/ V5 g! l+ Q( X( B' A5, Balance
* ]" o& p) C8 Y1 @* I% [* D% r
8 e) ?) R% I1 q$ F2 L. u( s2 {可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
* y9 j8 ?% B( U9 e& h# s" \+ Xhttps://api-docs.deepseek.com/api/get-user-balance
5 _. ^8 P, Z+ g8 k5 |- y2 J
" f9 C/ t/ F, c3 l& l! W( }6, Models

目前就两个
# deepseek-chat
# deepseek-reasoner
  [8 G' x7 t! f' c) B
8 X8 b: s# e) j& J5 P参考：
4 M& W; e/ ?) T1 S' I: h2 _# dhttps://api-docs.deepseek.com/api/list-models

! |2 ?5 J/ {5 N! {" ^9 K5 ?- K4 F4 a
/ H, E/ h1 ]6 w; y2 f9 f7, 问题

# z0 H" S6 r6 ddeepseek 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。
$ x% x8 n, j$ q, P6 I! H
8, 钱说了算。
7 W) q8 E7 u* B6 `
# i5 n" H( T* v0 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。
但是API就不会出现这种情况，毕竟我们给钱了。
) t) ^0 B2 }% O/ b- Q" o- q* Wchatgpt也是这样的。
* X4 ^# N4 V' \
: Y* M2 H& J/ ?4 b( A; }$ W