利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

* D# k5 o" B6 {4 o% N
& X9 X9 _5 Y4 M* v6 Q3 b把PDF上传，然后让他抓取文字，并修改可能的错误。
; ]! @+ Q! q9 D; \; N" z( k- T  l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。
现在我这里API还不能用，等恢复了，全自动了。
1 ?- C( g3 b2 d, R====
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。
====
& e$ O0 c1 P  `1 z7 K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。
$ T5 W2 x5 _) {8 {但是任务多了后，每次翻译的页面数是减少的。
2 O/ m: N- N1 E  F3 m$ Q好吧，我五体投地，继续探索。
====
9 |6 P- Z  w9 }& \  G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。
) C7 {6 N) U, }% z/ o6 S/ E: 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。
====
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。
, A6 B/ |* `7 j5 C$ F2 C====
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。
6 p/ Q; C9 a3 ^. x( q# C1 o====
! d' u% q9 H2 w, a+ }0 I用千问吧，非常稳定，非常强大。
" E* |2 W* h- z9 h4 k  k' xhttps://chat.qwenlm.ai/
4 k; W* h0 N8 W====
Deepseek，API 看上去可用了，但是不给充钱。


* H& {( }! u9 O6 |. M5 {

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
& ~2 `+ v9 o' w. C7 Q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
& w7 J. q7 X6 ^" z% a有没有上传整本书试试

3 k* D, s. j# h( q  l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

0 b$ N4 ^) [% _9 Q
$ Q1 a5 L7 E4 K9 e' K, c& g$ L% B以后让deepseek 读出土的竹简

+ q# v- S# T1 y/ y; _6 ?! ~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？
) C4 M8 ]4 R1 f$ I* b' I* E
/ u# I5 s: G+ o7 R4 u$ v& q; U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 T3 w4 }' |' @/ U7 E' a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。
' [' [' l( ?% c( z  g& K  A& Y/ A  e文字之类的没问题。估计deepseek现在暂时只保证主要功能。
0 x/ \7 H8 D+ x8 \. i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。
4 m! |# X2 h+ r3 X. [3 Z, F

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
/ W# A  x' D+ T7 V9 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 ...

9 |& n3 p2 r6 G' \4 R  X' Lhttps://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。
很稳定，质量不错，好像最多一次处理15页。
; H5 ~* F$ K# b, O+ F/ x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。
' G2 O9 L+ E# H  S1 v2 `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。
0 `3 P4 {. ^1 F% 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
4 Z5 P1 S% k7 h/ `2 u! X8 s/ s
1. 这个工具要求装 python3.10
+ p' U( u9 v/ t4 d: j2. 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
; ], W" X7 H) ^% m% z- }0 e3 m# o
6 i/ c) K% \" o1 C% ]

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   - z5 m. h8 |8 a5 i3 W" R& o
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ( P1 u/ E; m1 L) [
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   2 F4 z' j; @1 ]9 x/ E) d* ~
6. )
   ) M( M. O8 Z0 o" j& m7 Q% G
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

. D$ p) {  @  Z1 u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
( C! N" Z2 x. m- i9 N1 \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

+ n0 R1 O+ K+ Z5. 运行 python3 a.py

nanimarcus

4 r) ~0 U1 `. v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。

3 Y$ ?3 H# ^" F0 |6 @+ ^! Q: ndeepseek，qwen，chatgpt 三个，deepseek是最好的。
+ @4 f. d$ @6 u' F% b2 X& p$ Y
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。
- L" l& g8 M' [: {4 F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。

API到目前为止，差强人意，不如网页版本修得干净。
. W: N* {" L3 ~* g# K. s
" F1 W* k$ k8 O1 {& ^; [! mdeepseek可以同时开四个。
- j6 g0 v. |% k0 Q0 W- t& n+ V; ?

三力思

3 ~* b9 x8 t/ P4 I) f2 l" E
( y$ o3 `2 g8 A) d0 [" @; v3 s1 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

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。

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

* e& V- R. J# l. y, }( D
; n+ W$ C" o0 m3 B- ]已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
. ~/ o& n+ S# X+ f
5 N4 X% J, l+ n/ ^/ w1 X% ~1, python + pypdf 按章节拆分小的PDF
* X- ]3 Y4 `+ m# q  J4 Z
# o4 s  t$ m* t; f- {. }2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
: H# K9 x& @* H( ]9 S$ A) u
模型是 deepseek-chat

# V5 ?/ f% w; v8 @% emax_tokens 最大是 8192，别的不用改。

) |/ E/ l3 @  ^* I参考：
+ D/ u9 q* w6 f1 T1 h& ]https://api-docs.deepseek.com/api/create-chat-completion
3 y7 ~8 i5 c/ [3 k6 I/ p+ m( ^
4，费用：
9 @* v% t0 U( h5 |
8 M6 }  h3 z5 I# e0 a7 q# T% E实测：
1 g; n. o. Z8 i' Z% E1 a
# U4 l8 s1 H- K7 L# t( \. r3 [, ^8 ^296K 字母，用了 9 美分。
' E1 d. R$ f& f6 m4 x3 a
英文字母 到 token 用量大约 1/3
- _) q. k/ p, w% _3 I
! ]$ u7 U: B# d& _: W1 t; m8 @2 E. Ztokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens
5 N: C$ \8 G9 A% _1 `! J7 G
* d% j6 M' a# U- N4 j8 O% I* Z% t$ Y/ ?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                $0.14
4 z$ G; Z& ?4 D6 R1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
/ ?5 j# b. i- N, S% ]+ [, d' L1M TOKENS OUTPUT(5)                                              $1.10                $2.19

% N  D5 V/ _/ J: P; G% A# M5, Balance
4 ^3 D5 Z# f0 D5 r: k
% A) Y& i$ f# D+ }* T, p可以在程序里调用，知道每次运行结束后，balance还剩多少。
* h+ X% p; J" ~! I+ C+ E- Z参考：
https://api-docs.deepseek.com/api/get-user-balance
1 U5 r0 c& m+ K
+ [6 A6 l, `; B3 a6, Models
% [4 ^) }9 @" Y( R$ r
目前就两个
# deepseek-chat
, T* S' ]5 s# G, o$ M# deepseek-reasoner

参考：
8 `, h# J0 ^) J, F6 phttps://api-docs.deepseek.com/api/list-models
! K' p& |( w$ T- }: p
6 r, N+ s6 N) E+ E: H# y
5 V0 p% ]' K; m7 v+ ?; W7, 问题

  k: [/ Y3 X# h. h# Adeepseek 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。

3 f% W+ q5 l4 w) Q8 `: U, w8, 钱说了算。
' z. s5 n1 y1 k9 `" r
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。
# H. F6 b6 Q( G" U/ ^( p: d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。
. s- g: X' k* o5 h6 \* c

% W" r) ^& d' k( f( y