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。
然后deepseek完美的完成了任务。
) b% N) [* Z: N9 W8 e. u  E' ]! z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。
( e7 K* A9 z# S2 n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。
====
8 [) W) D, P' {$ ?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。
====
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' E: R/ g  m7 v$ [0 P6 `8 S  s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。
+ ]* l6 M: Z1 Z7 ~5 F% P2 i====
, v# O6 }" m1 z9 P. c2 a7 t. @2 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。
8 Y1 R8 f* L9 c2 S====
好吧，有些东西是不给翻译的，哈哈。

! k6 M& h8 s" W5 h6 iSorry, that's beyond my current scope. Let’s talk about something else.
/ t! d9 a  \. ^( O9 C====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
8 e* N2 |% I# J; p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。
! u( Q5 V0 x% H4 ~. N! [8 d$ {/ U====
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。
  l. x3 H; x+ ~; V. c* [; |====
  N  ^# ^  G3 V# l2 ?& k( v用千问吧，非常稳定，非常强大。
# }0 U. v3 D1 \0 M2 L' W% e! \https://chat.qwenlm.ai/
====
1 s+ n% f8 E5 L# O1 yDeepseek，API 看上去可用了，但是不给充钱。
( }* h7 `6 H5 F/ D9 x& l
5 {2 k* \, x$ M7 z$ r2 t5 b: [
  J6 C2 u1 U3 }) \% E6 {
/ |5 S1 U5 A& B  [

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

5 z- E- z& d/ A; y- V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
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

* ?- I+ z6 F% w3 m还有把古文翻译成现代白话

2 p) z/ }2 t) Y7 A  Q% @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？

/ _- p" _4 k5 X* g  V  C$ `* }; ^7 n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 T1 I+ O: @6 q, N3 x+ ^, `! h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 ...

4 {" x4 C, G! c6 _  u9 f, `
! x8 j+ k6 e. B9 X0 W: x) `3 d4 j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。
, V4 d( j+ O+ }) v3 M文字之类的没问题。估计deepseek现在暂时只保证主要功能。
9 F* q# _! M% j' G& F/ T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。
. ]+ a/ t3 \2 X* u! V

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

' O7 L0 a0 C6 ?- M& 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 ...

6 R0 n; o2 _* W8 I$ @https://chat.qwenlm.ai/
% n( O2 R- ?7 Z. o) Y试一下千问，估计美国人没有攻击他，所以资源敞开用。
2 r9 g! |. V, _5 C! 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。
* i$ N3 o- i" P1 S$ }; J) |" v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 }0 ]; Z( I. c0 p% b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
' F0 X* f& y$ Q
1. 这个工具要求装 python3.10
, Z+ ^: B6 R5 @2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
. y8 W) K! Q; f! k# Z1 {3. pip install pdf-craft
' E, U( i( w' {! R! K9 K" a' \) t: ?4. 把下面的内容写到一个文件里，例如 a.py

0 z' k: a9 s9 Y2 @9 o* Z; A

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
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
   # P# j' _, Q5 h
6. )
   ' J$ u' j1 Y3 |4 d
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

9 P) E: \+ Y3 Z/ B2 L2 }% k% K  \要修改的内容：
5 T: L  `6 R$ M* C5 h; @0 u; e4.1 /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 Q; W4 y5 d% g9 R; G! L+ q4.2 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
, G  s( i- J$ @/ k6 t
5. 运行 python3 a.py

nanimarcus

2 o& M4 `0 n% S5 t) |, R2 t: g
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。
9 n2 E0 Y, K, N然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
" d% n( R  U$ E1 q" d
5 p* U/ j5 D9 w- ~3 jdeepseek，qwen，chatgpt 三个，deepseek是最好的。

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。
8 `% n3 i/ F  \9 w( }我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
+ N) \* a7 j' U$ ^" |/ n8 A, O
  [: C7 k7 [( x( aAPI到目前为止，差强人意，不如网页版本修得干净。
* M) S% E# h* A6 R: J
" ^* z1 ]5 A9 S- [: `deepseek可以同时开四个。
' s  M; H# D7 V+ t7 {! {( `3 M  G9 Q

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
% L2 T" n6 n( H- ?! `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

: u  z9 V( d# s( X3 X已经搞定.

' P+ P7 n( B9 M+ \8 b: |首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
% n1 `8 ]. k9 m. V7 J% @
# h- E7 I" I1 e7 b) p/ P1, python + pypdf 按章节拆分小的PDF
. T) |1 q. I# i8 N6 O3 K) a
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

- s% D+ S/ I  y得到text file
+ _8 r) J3 _2 J9 l
3, python 读取整个outputfile，丢给deepseek 矫正。
) a- h7 v* h* G& M# c
模型是 deepseek-chat
* z+ Y9 K) s1 u  ^& d1 R! r- T
max_tokens 最大是 8192，别的不用改。
$ G& x1 f" \- [% K5 o
* ?8 P. ~. z$ i" _9 v" u$ Z$ P参考：
https://api-docs.deepseek.com/api/create-chat-completion
; g/ ~  ^, J' K4 Z
* ]" c3 M% J6 _: a' F8 B) A4，费用：

, L( A" u2 q4 U+ x实测：

: S9 q8 F3 s$ w296K 字母，用了 9 美分。

# }- k$ X8 w* y英文字母 到 token 用量大约 1/3

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

8 P$ r+ ~# ?! `7 u6 V9 k32899 个字母花费 11782 tokens，包含输入输出的 tokens
* U1 a7 H" N& E7 e3 t
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
7 r5 l" I+ a1 u9 z5 O- J6 R
+ G/ R! S, q, m2 N6 L+ g5 z1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
6 c- k. F+ d- c" c1 I. l) }$ l( G1M TOKENS OUTPUT(5)                                              $1.10                $2.19
; v$ w  D! a  K9 }) u
5, Balance

( [2 a: M  t' L( Z( d可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
6 u/ c/ A: ?( ]' e. f; j& `  qhttps://api-docs.deepseek.com/api/get-user-balance

6, Models

2 I5 J" M  B$ J1 v! d4 q5 j目前就两个
# deepseek-chat
# deepseek-reasoner

  c; M1 A7 z0 b# j+ S  _9 T3 o; h参考：
8 m+ |6 @9 i; Q6 d5 e- @/ Ihttps://api-docs.deepseek.com/api/list-models
7 {& U6 Q5 a' T
' W4 i9 o! Q7 n9 Q3 o- p
7, 问题
  f1 O3 X3 W- `8 P" a0 U
7 k" E7 ]$ O6 @# Udeepseek 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。

0 C- p9 H5 {# X% R4 o% ~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。
chatgpt也是这样的。
$ i2 F/ z( c! ]* _8 S
+ y; A6 _* [5 a& H8 }: C4 u