利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

# H/ ~. x9 W! v  Z  S
; x1 P2 q% N# V6 N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。
; {/ w# c2 o7 H0 i& m) \, M我要疯掉了！
7 n) ?' j" \. A1 K. ?% g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！
2 l7 }+ X6 `% ]0 M5 |5 O6 r; g; s/ ~====
中文也很完美。
+ b6 i( S- @, B" `" \8 e经验值，每次十页比较稳定。
; F+ c# a! T8 I# z& G$ Z" i现在我这里API还不能用，等恢复了，全自动了。
====
7 l" @" J$ j! p; v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。
====
/ A1 J% b# g% F# b4 q- H' 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。
2 v; n: [+ ~. e. l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。
" d  L( v# x+ V- V  r3 y3 ~====
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。
====
0 [; O2 |0 y. f5 Q  c# T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。
====
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。
# G2 ~9 ~0 z8 G8 |3 k1 m5 T====
用千问吧，非常稳定，非常强大。
% b3 M6 G, P& t* Hhttps://chat.qwenlm.ai/
4 g) P# u2 c) N5 n$ w4 q====
! @. B  E) p& {& M, d: p: i4 WDeepseek，API 看上去可用了，但是不给充钱。



, ^5 w& L; h. E# v9 U$ B5 D

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
7 L  r; o! ~. T3 n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
3 [$ X8 g$ @) l0 e0 F, e# V有没有上传整本书试试

% U( K9 X0 E$ w! {" c% M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, E/ c! v$ W: `" c" b$ e以后让deepseek 读出土的竹简
1 j- ?' G2 m  d6 Y4 d, f
还有把古文翻译成现代白话

" x5 b# A- E6 u( {4 ^0 j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？
8 ^4 l% V, O0 ~1 D, X+ Z
" D1 ^9 F1 m: R4 Y4 i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？

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。
, [: E8 W  v8 Y文字之类的没问题。估计deepseek现在暂时只保证主要功能。
, p; s- U8 x! j, i. Y5 ?0 b9 `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。
0 F4 x, H3 A8 a; x

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

% y- i8 w4 i$ N# R; N* c- K, 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 ...

https://chat.qwenlm.ai/
试一下千问，估计美国人没有攻击他，所以资源敞开用。
) m" E1 v& t' |( @1 Y* u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。
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。
7 Y) J3 ]/ u. u$ B, S$ g! f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”。
9 y/ A5 y+ I, ]
/ m0 y: m2 `/ A7 M. ]https://github.com/oomol-lab/pdf-craft
: E  i) G; E- D: f3 d. M7 j8 K
, E* }5 g! i" R& G3 e1. 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
. ]6 v( ~2 z' y/ n! m3. pip install pdf-craft
) }, y& x0 g/ N4. 把下面的内容写到一个文件里，例如 a.py
8 G! Z% |3 u% n" D! l. B' L

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   : P& E+ J# f* F; V' o0 d+ m
2. 
   
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
   $ |# c! t3 U4 ~
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

  w% w& d0 `! `& p/ |; v
: n  l  _! N. `/ b要修改的内容：
" T- Q: h2 W) H4.1 /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
1 L; N7 V( v9 g9 @) ~4.2 markdown_path：输出的 markdown 路径文件名
0 `9 t6 k1 ~$ ]8 c( g4.3 /path/to/pdf/file: 输入的源PDF路径文件名

8 j9 n, q* ?0 O7 F* k- ^, @5. 运行 python3 a.py

nanimarcus

7 j5 ^; J9 }/ x6 C+ g
6 f! b* B/ c# t6 y2 I: I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。
5 f# o4 z' {+ L% t- n
, ~3 k/ `- G# E5 s; n! ]! X0 adeepseek，qwen，chatgpt 三个，deepseek是最好的。

1 v/ m, F% a7 d$ j- F6 z( Gdeepseek 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。
) ?5 N* _# X, M8 o9 A
7 a2 X0 \& ^+ y) ~API到目前为止，差强人意，不如网页版本修得干净。

5 t! U2 i! }. R0 f* T6 E* [8 Gdeepseek可以同时开四个。
: ]! ~8 u0 e7 T9 M0 E: z" H5 S; W# }

三力思

4 i% d$ ~* s. 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 ...

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。

  A- c+ E# Z( g8 g8 w2 t: w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

" a1 _* c/ |2 L3 R! A+ F% y已经搞定.
9 F1 \& C( u- L
/ c( P5 M" u% e& z: e首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
8 K+ k3 U+ d' Y" Q/ N. C! K) x) d
1, python + pypdf 按章节拆分小的PDF
( ?& N: e& s' ]+ m% Z
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

5 `- r( F& n0 u& {* L得到text file
- b4 I3 e& F3 a7 x; Z- J- @6 `7 _! R
3 @# Z8 ]9 }* T3 K9 R3, python 读取整个outputfile，丢给deepseek 矫正。

0 ~3 G4 b& N" o  T4 P% Q模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

参考：
4 t7 U( c) S# S4 [https://api-docs.deepseek.com/api/create-chat-completion

4，费用：

实测：
- I' a) R, i, s. U, l
296K 字母，用了 9 美分。
; l( R) h, V5 d, \$ Y
  B: a' Y- ]0 _英文字母 到 token 用量大约 1/3

9 i3 C3 g# u, {; v) }: s/ ], I% A& Qtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

5 |8 W6 d. B: L2 G  V32899 个字母花费 11782 tokens，包含输入输出的 tokens
, c; o  L3 @8 c0 z7 ]7 W9 d7 I
" e0 ~- C2 y) t% s3 U( v  t3 }价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
; w: A& e* s; U1 r8 v! {1 ~) Q& \
5 b9 n" J+ O. k2 A5 t: H! I4 s7 ?$ Jhttps://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                $2.19
4 `. L7 }+ f+ o3 q4 S0 n
5, Balance
1 h; G6 H) S# E  }2 n: H$ E& c
: ?9 z% v0 P; c. q可以在程序里调用，知道每次运行结束后，balance还剩多少。
& `; @. {6 ^0 P+ E6 V+ D/ p; R* {# m1 p参考：
5 Z8 t! T- L3 F5 e7 hhttps://api-docs.deepseek.com/api/get-user-balance

# C# [/ L, l* d9 O9 P6, Models

* O2 b* I: s/ _! r5 _% m7 F目前就两个
# deepseek-chat
# deepseek-reasoner

参考：
8 X  ~' e, l; m7 Q8 Nhttps://api-docs.deepseek.com/api/list-models

1 W- [4 F( u" n2 p2 v
3 X# B# y+ E( j/ z% M0 q( I* F7, 问题
% Q' e" w( x9 w* L
. c5 X0 f9 d" y  e; mdeepseek 会将前后两段合成一段。
8 C! T) Q+ L7 o/ x9 J  ]9 D7 O特别是那种大量的对话的段落，deepseek会给你合成一大段。

' C7 |% I, o$ ~( y" k8, 钱说了算。

# ?! \7 i0 g2 I# @. h3 ideepseek 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。
1 E/ Q% h, ?; T$ t$ A9 C' U但是API就不会出现这种情况，毕竟我们给钱了。
chatgpt也是这样的。


  i5 T# n" m5 @