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。
0 J( f" e* r( {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！
) r: Z1 ~& B/ z9 n: p/ j====
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。
0 g- {* E6 E) q2 y  _. q====
第二次疯掉了！
1 F6 @  b" e) S. ~$ x9 G# J' z7 Y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。
( d  B$ l$ `. X4 l# g6 `- X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。
& F. i0 @4 [3 A# R. R+ D====
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。
====
; S8 @' `! M/ [: Y好吧，有些东西是不给翻译的，哈哈。
2 H2 @1 V; r+ C0 B  N
, N1 O& I) L8 i$ Z% m7 G2 r2 tSorry, that's beyond my current scope. Let’s talk about something else.
/ N4 k( D  _7 Q( J7 ]====
, h- P8 {% N+ p% J" N然后我的英文命令也让deepseek 帮我修改，呵呵。
====
% c' Q' t$ F0 j7 U4 y( V$ k% 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。
====
# b7 d( h4 ]! Y+ {时间段的话，北京时间的下午和晚上用比较好。
2 k. z: W% B# P. m4 T后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
( w* c- }. Q: W1 x====
用千问吧，非常稳定，非常强大。
9 }7 C7 b/ h- A; [, Lhttps://chat.qwenlm.ai/
====
6 N( a4 M! r5 p; D2 a0 @8 qDeepseek，API 看上去可用了，但是不给充钱。

% G, p# s6 }% @* M  L" W" e
( Z( F7 r" t" ~9 H1 m

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
: l# y& ]5 V. a# t: X! D; D3 T2 I这功能很赞呀

! W! U5 f6 T, g! C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
) C- L9 I( U  N) S9 P6 l( {( K& t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

5 B  Y5 g& t2 ?0 z- B7 \% ]
以后让deepseek 读出土的竹简
  |! z) v: i+ }8 O; n
还有把古文翻译成现代白话

! D2 j5 Q. J* V) O: Z. V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？
9 l5 d6 G4 U2 }: w- x
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
+ t0 A) o4 C  w/ H2 w请教是如何实现的？
3 x( X$ g6 k, s" s. E( E! V
. b' e  |3 _1 W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。
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？
" n8 Y4 `5 V  R8 S9 Y0 u& e0 s9 Q8 }
* P6 [5 U4 t, l, `" 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 ...

; d: |( x2 c. L" f3 w8 Y$ Xhttps://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。
+ _6 n* N& H' o9 J. M( `: `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。
# Y4 N- E/ [+ z- z+ ~5 |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。
4 y, w5 P) W2 P  N* U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”。
$ v7 i# M& L5 `- s7 T0 V. N
) m& ]# U0 m" `+ W* f1 O# ?4 jhttps://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

: i% {2 }! _7 |& T3 ~! T4 t

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   % T$ f) w  z/ }  |
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
     K, w( g1 h" D# w! `
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:
   , @- }- W4 k5 b* q- J; Z( ^5 ?
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   & v8 P4 i. C8 U& I7 {9 C8 K
9.     md.write(block)

复制代码

+ B% ?9 w  }; L9 M, B  h
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
4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

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。
' o" b5 Z1 @7 G9 T. C1 N; c然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
  \. x* l9 p1 t* @$ [( e效果非常好。

, K& e5 m9 [) t# U' }/ _deepseek，qwen，chatgpt 三个，deepseek是最好的。
. W* Y6 Z6 ~2 N
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。
: ~& z& d# G& D6 |  J7 T, o
5 T: j. W8 G  A) J5 @deepseek可以同时开四个。
* V+ O2 ^+ ]& R0 Z  [& K& e6 W$ O

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
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
4 k+ h! T4 w: l" |( G" \细说一下，听上去很不错，多谢。

5 k& n; a0 v' H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

' D% T3 u! e1 L' G' [
已经搞定.
% m- Q! j9 Q+ Y3 t) `
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

1, python + pypdf 按章节拆分小的PDF

% T5 n0 R, x$ m! H, T5 ^2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

: y" s/ j1 C* b1 L得到text file
! `1 K  `5 Z- Q" n
. l) e. @( c* p0 N( K; f; }3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
. h, I' b8 N+ _; ?9 G9 P; j
. b2 u! a7 q% S2 z$ [1 t( Kmax_tokens 最大是 8192，别的不用改。

$ I! ?4 H  d$ e2 y8 H3 ?- {参考：
# m/ |; D! R) A; l5 e! chttps://api-docs.deepseek.com/api/create-chat-completion
5 g' `* k& W2 z; D% F4 E
4，费用：

- p7 O! R, _9 P5 `/ h实测：

296K 字母，用了 9 美分。

2 W4 j& K# O5 ?% x  j8 _2 ^3 i英文字母 到 token 用量大约 1/3
6 \! x9 n( A  B5 [" X
7 z5 y7 @. E' H9 K; htokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

( x' v3 p6 s2 ^6 [5 Y32899 个字母花费 11782 tokens，包含输入输出的 tokens

" h1 g  `2 V, A: \* h' ?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

- h! t$ N- X- D1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
  A- A; _, t+ q& g5 G4 r6 `6 [1M TOKENS OUTPUT(5)                                              $1.10                $2.19
: h2 G8 R9 J1 V
% Z5 E; A' n  _; M5, Balance

+ F) P% v5 S& H3 D  k可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
: M! f" e5 h2 Phttps://api-docs.deepseek.com/api/get-user-balance
; ~6 t& T* M( p; u3 i1 ~
" {& d* E, v7 L" B" \6, Models
4 Y  a6 ^( y3 ?, i! F2 \5 I  i$ M* W
/ U0 g; z7 B7 d3 g5 o" b- x目前就两个
# deepseek-chat
# deepseek-reasoner

参考：
( K5 M! l; M7 S# ohttps://api-docs.deepseek.com/api/list-models

- Q* _/ e, ?- ]( a8 E$ x  V! q
7, 问题
( f  l1 S4 I% {0 @5 E' {1 M
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。
; ]7 \: x+ L+ A" k; z! H
5 T& N9 Y$ X/ f5 x( L8, 钱说了算。

5 w, N; {! h- |) q1 G1 udeepseek 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。
9 p" r7 Y$ P8 t5 a7 c2 Z但是API就不会出现这种情况，毕竟我们给钱了。
5 z' P% Y; ?9 D5 c% r" g7 f" O+ y7 bchatgpt也是这样的。

6 ~$ v4 S1 t0 B2 t- E( @' T; t# e