利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

把PDF上传，然后让他抓取文字，并修改可能的错误。
. m  m- G7 r4 e( g3 h5 U! k' d+ b0 ]" C然后deepseek完美的完成了任务。
5 b  t7 J6 |9 t& ^+ p8 o6 U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。
' ?6 D, q7 F0 a3 w. d====
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。
====
# _) o+ K! c4 P& P5 ?" z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。
, q/ N- I1 _8 ?7 ~  n' p但是任务多了后，每次翻译的页面数是减少的。
, B0 J* h/ u8 v# |2 q4 x' J# g8 w好吧，我五体投地，继续探索。
0 U' D# c6 V. w, ]# ^4 ?9 e0 O2 O+ u====
$ X* X* f" v$ j2 k' Y# B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。
' [/ m4 t. R7 r1 v7 r) \3 m====
好吧，有些东西是不给翻译的，哈哈。
1 b; }& ]- m2 I# t
; m& q" q3 o# wSorry, that's beyond my current scope. Let’s talk about something else.
. r+ s7 O. ~* C" c/ P0 B====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
! e4 F7 o& x% Q( z. M  R. l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。
====
$ I3 a$ w) B/ H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。
4 j+ @; w9 x3 f. s3 }$ M====
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。


1 w5 G0 l- O3 c- J, Z

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
9 j+ J) o! A8 Y$ o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
& ]; p, G; W; E5 L3 _" @有没有上传整本书试试

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

8 O6 [2 a' b" J! B5 b  B还有把古文翻译成现代白话

3 k! \+ |* H, X" K! u: v7 ]  ~* D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？
' I" {4 x2 C  T1 @( V* o/ w/ c
, ]  q# }, ]* F+ E8 S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
1 X/ R3 N' U8 {% g0 o请教是如何实现的？
4 @: i3 N$ Y- m" \- q. 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 ...

# L9 Y% U) ]6 d: \" |
9 s5 o% f5 r- e7 F  t3 J  I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。
( r2 r* Y* F. b3 w7 E, [0 W文字之类的没问题。估计deepseek现在暂时只保证主要功能。
; B. F0 q% i4 z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。
, r) n' L; ^& ~! k

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
) @& l5 Y" F- f& `9 a: s! 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 ...

https://chat.qwenlm.ai/
( f: n  ?9 s2 P0 [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。
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。
2 M0 _+ e- _+ h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。
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 F; a; `- d1 o# H  u8 F4 ^7 Fhttps://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
, p5 c3 Z% {0 H) |' V3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

  K+ m2 r' x! Y

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   4 [% [+ ^  \6 t1 V2 t" [
3. extractor = PDFPageExtractor(
   ) U( a* d% L' \; v' ~4 F' g% d
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 v. d& c; W9 ?- P
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   . e  W$ b' P4 t. G
9.     md.write(block)

复制代码

9 Q; N: e! _* W- T( A要修改的内容：
6 u! }: d0 x, v, w4.1 /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
/ y, }; O) X+ k# F1 h4.2 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
" ~: P' ^1 Q/ N1 y: K
5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
# `8 A) l7 l3 b/ G* g先写个小程序，把PDF按章节切成小的PDF。
6 X( |1 C% t& y% f0 p# o: O8 Q然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
1 u3 z$ P. J# G) w7 u' w# u, ?6 _效果非常好。
5 t, |; ?2 U/ l$ X
deepseek，qwen，chatgpt 三个，deepseek是最好的。
' _. \+ s/ m9 z0 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。
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。
$ }1 l1 s4 B- K
! M' t. X% j) Q3 X+ ldeepseek可以同时开四个。
. V/ b7 [8 f% g

三力思

+ }, G: r& z+ m4 U& q; k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
5 B* s$ F6 q0 l$ }4 l3 W* z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$ `# O9 z2 C1 \5 ^细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
9 H8 T4 O) ]9 M2 Q9 B1 E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

" t. K4 {/ i) g6 u  A0 ]0 }" j
+ D) L' g, R1 h2 v3 r; ~已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

2 ^2 w3 o; R8 u1 j1 W: w) P8 K1, python + pypdf 按章节拆分小的PDF
. q% J) ?' u8 g3 o- K: g- p' w. d+ y
8 R4 R* E6 x7 T" e$ F2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
, I, {+ v4 D8 V7 P) [6 C
' O) o* o3 \  h0 o! R5 w& D得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

" J* `6 q0 i' v; G1 D6 I$ U# Z: Amax_tokens 最大是 8192，别的不用改。

+ Z  N7 k2 j8 ~9 B, }! U* t% K参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：
* y" ]5 A; \+ Q. d
% K/ _( Z8 K) @# k: C* y实测：

. m* A% {" `' P" w6 o296K 字母，用了 9 美分。
  L4 i/ Q; X% t, b" i
2 }# w6 ?* V: z, x  `4 ^英文字母 到 token 用量大约 1/3

# K5 j% q. u# r2 m/ ]7 O) i4 E4 Ltokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens
% O0 I, g2 ^/ A4 _( t
  T# }/ R2 A8 h3 K; C价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
! q% A& k) b0 m( J. V: E5 x* X
https://api-docs.deepseek.com/quick_start/pricing
7 Y# O  k  w# D) M! ]
2 F; j5 m* @% U8 p; f! n1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
0 s/ \" s% a" }. w( Z" f" \8 M* c1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
0 B: |4 w% _, M1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5 n% q; T; @+ w5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
5 y2 h2 a& a' w. ~: o参考：
2 b( q3 w( T8 X5 n! ~' P" y- Zhttps://api-docs.deepseek.com/api/get-user-balance

- Y' F5 C8 K& l" w# D# y6, Models

目前就两个
# deepseek-chat
% J; ?1 L6 `) K# `5 b: T! @6 N# deepseek-reasoner
: }* k: }# G5 c! [* g9 j
, B. D) P# |* T. e& S参考：
https://api-docs.deepseek.com/api/list-models
  t9 H+ E5 ?6 ~. j' ?9 x- Q

7, 问题

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。

) z6 @/ d$ J; g. H5 J" G# E9 s* Zdeepseek 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。
# s7 j. p4 r: e6 y  A1 M* Fchatgpt也是这样的。
/ Q/ y( s+ i! g" D( w