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。
- g1 X! ^: n, i+ p1 [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！
====
3 s/ T0 ]' W5 k3 v2 a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。
) K/ S2 a* N& W' G1 t; s====
( u! R* m+ W9 ?( |: B' G, b; A第二次疯掉了！
3 d  e4 S+ n1 O% V/ a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。
: v1 B; `! A& f6 k====
3 ~/ J$ M9 u$ }8 j" J% ^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。
4 n* Z3 M2 y4 N! u% T) ~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) }. h; u6 W====
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。
6 r) t0 |  h, M4 l) u% L# g$ x====
好吧，有些东西是不给翻译的，哈哈。
, {) w  g' m' W% C6 g9 L$ |
. ~/ ]" b; ]- l8 ?! F% B( }/ ESorry, that's beyond my current scope. Let’s talk about something else.
, z% A" ]* D- c) m====
然后我的英文命令也让deepseek 帮我修改，呵呵。
% M. b$ \- X/ c====
# b; a8 C' O$ x* O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。
9 z; t7 j0 K7 K- X/ t  N+ N2 n3 s====
时间段的话，北京时间的下午和晚上用比较好。
9 |0 g' \; E8 X( O; N8 y7 }后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
用千问吧，非常稳定，非常强大。
4 z3 y$ y% t! F8 x- C  ~7 }https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。
- I5 r7 \& F& W  H. t
1 h  N4 z8 @& Q+ v0 x" O- G; b' u4 |

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

8 z5 A" a3 G% c1 S4 a( i" Q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
, d3 }- k2 X% ^4 @) ]; \9 G* p: V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

, H! A) L5 Z& N: y% y) D还有把古文翻译成现代白话
* u8 i7 m- @) h- L
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？
# q. F5 E9 W1 E  a' Z" I
2 X; D; \6 T. T3 K8 A! b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 ...

, o3 \7 {% {+ G' T+ 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。
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。
& j2 A% z5 h! P

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
4 P3 i- q" ?% h; k8 m4 z
& s' }% P& h( c  r; ~* u% [7 `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 ...

6 j: e- `) ^5 @8 C9 d0 j$ khttps://chat.qwenlm.ai/
! u$ ?6 j- r4 _# H8 k, y, w9 D, p- A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。
; ~) U% S/ B* `6 e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。
  Z* O  u9 Y( ^7 D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”。

https://github.com/oomol-lab/pdf-craft
1 x4 X7 M  f% q( @. N
1. 这个工具要求装 python3.10
) {' u; a" ]& u- g/ Q7 [0 @. l! o2 R- G2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
/ Z( ]; K: u. C8 h: c3. pip install pdf-craft
% \5 Z: G8 x0 B% A) i, a# X4. 把下面的内容写到一个文件里，例如 a.py
' w0 U: c  e! @0 }5 k0 ]. g

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   5 n- r' Z( X4 q' N4 E1 w
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
   / t! x) N5 E! K# x, F( m' X
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   * W( V" T# Y: E. ~8 {% o4 m. [6 ^, q6 N
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

" H. @1 F6 |& r  u8 A9 ^0 p1 X要修改的内容：
4 |" s( z9 x0 @' y; |" Q( R4.1 /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
) v  O8 x1 p3 t; Y# N! ^. R
5. 运行 python3 a.py

nanimarcus

9 g, \5 u$ }0 ^: _' d  m
  ?, ^! W) q* }2 b4 I目前为止PDF转纯文字的最佳办法。
6 N/ Y1 `% M- X- q; b1 H0 S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。
9 ~! R+ D8 P. I1 t效果非常好。
: C; F; x, X3 P, M
deepseek，qwen，chatgpt 三个，deepseek是最好的。

( K' ~% z% D  j( fdeepseek 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。
0 |7 \  O  s: |! o/ z# @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。
6 ]; w$ y; O# Y1 r我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
% |7 F3 {0 T9 p
API到目前为止，差强人意，不如网页版本修得干净。

' J* C" k) M/ \8 O# c7 Bdeepseek可以同时开四个。

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
8 w- S9 F& f' n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 ...

, g0 U* Z8 o# @4 J, `/ ~: s0 D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。

/ z+ D  [  q+ U' t( K5 ^8 @) h2 y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

& m* U9 [9 ^8 B. e8 H已经搞定.

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

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
/ F' i; z  q6 Y9 S
+ y0 b, |* X' Q得到text file

0 D/ d0 F2 [& v& Y6 _3, python 读取整个outputfile，丢给deepseek 矫正。

4 c+ z- d9 V% k8 J模型是 deepseek-chat
( G) y$ f: [" g
0 r4 _9 I, q/ k( A! U) b/ l' qmax_tokens 最大是 8192，别的不用改。

参考：
3 _: Q3 {0 n( Q* x9 _$ U- Ohttps://api-docs.deepseek.com/api/create-chat-completion
8 ]+ A. ^" Z* u
4，费用：

实测：
0 i: U" _+ Z/ N
) [" L$ X5 g" M) n. E& f$ e) |296K 字母，用了 9 美分。
+ Q  |( v* G0 L
英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

0 ~5 Y1 @7 b+ ?9 b32899 个字母花费 11782 tokens，包含输入输出的 tokens

2 y) B% ^, y3 L1 [8 Q价钱，非常非常便宜了。
! v# U- R, _  B9 k9 N- m; y
参考如下可以计算，懒得算了。
  C0 [( w' B, W* \) G) V
+ _. D  n; A0 M" u9 W  khttps://api-docs.deepseek.com/quick_start/pricing

" Q' j; A2 x% C* ?0 X" _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
* n+ r: @2 W# g4 E+ }
5, Balance
$ q* t. Q. C) }9 I& g! R2 w; y
可以在程序里调用，知道每次运行结束后，balance还剩多少。
  e8 X, h2 t: c. r2 `6 Q( k" |( B参考：
https://api-docs.deepseek.com/api/get-user-balance

. `+ F9 G4 I5 ]& J: f3 A5 B6, Models

目前就两个
2 k, Y! R. X/ s# deepseek-chat
# deepseek-reasoner

参考：
/ j  {1 h* q6 P# r: [6 J3 ]- K5 rhttps://api-docs.deepseek.com/api/list-models
1 V( u+ D( y& w+ W' T8 X  [
/ q& |0 C) e4 t) Q3 `+ s- G
7, 问题
* P6 y! I8 h( A* U4 K9 {$ K
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。

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。
但是API就不会出现这种情况，毕竟我们给钱了。
/ F3 o" f" q0 p: ]8 L" wchatgpt也是这样的。
3 j' K6 Q9 o+ C5 i2 K
2 L' q4 D. E- P2 v/ R5 P6 U; a) K1 z
& X1 y- r1 E! w6 `