利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

6 \& v8 f0 `2 m8 G1 Z3 T4 i
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。
段落清楚，列清楚，页眉页脚全部去掉。
9 x, H4 l) s; g/ |3 f7 U# ^4 O9 j我要疯掉了！
: [+ e% [: ^8 ~7 P! K2 P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！
====
: F  K/ K3 _% [& i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。
' s1 {2 n* i; G2 U- M' L6 K====
' U: Q* y" T. C" q- r5 }1 Z第二次疯掉了！
/ P3 X; `  p0 |) 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。
8 D6 E3 f$ n, J! I% a/ x) \( n====
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。
" e8 Z( i$ x( v7 z4 ^# }: s$ M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。
====
8 m3 v3 G+ b9 F5 W" f! p4 T, G. o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。
====
好吧，有些东西是不给翻译的，哈哈。
$ n5 F6 T# O8 B3 G3 g8 V1 w, c& d
3 w8 }: a1 r5 _$ E/ j! Y) wSorry, that's beyond my current scope. Let’s talk about something else.
/ ~$ X8 k5 B8 _. g====
. c9 n) q5 M/ i2 {- `然后我的英文命令也让deepseek 帮我修改，呵呵。
/ P, s( L3 f/ B====
7 c3 Q8 k8 o; x( m& G. h! L& p4 [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。
====
* R7 f  w# q# @' n& |# X5 ~时间段的话，北京时间的下午和晚上用比较好。
3 V6 }( W: o; G( E0 e! Q后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
; Q: k5 S2 \; q  V2 D; @====
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。
8 u! u4 K% @3 f* I. m( s+ `
/ Z6 M5 ?! ~3 A7 V3 H

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

3 d0 ~% I1 F6 r0 I* o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

* n" q% Z4 Y/ k( r! v% Q
8 S" ~5 f; v( P$ M; d- _以后让deepseek 读出土的竹简

还有把古文翻译成现代白话
; v& h4 E6 N" f" j* Z
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？
' |, }; S6 c2 a9 y
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
! }' u9 V2 B# j- P请教是如何实现的？
# Q7 n* [) s, l0 `
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 ...

* y1 V" V; {8 f) i) A. n! |
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。
! p" U" G# g; V! |1 [7 _# \% U文字之类的没问题。估计deepseek现在暂时只保证主要功能。
' z5 v  ]' }* T, @) M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。
  a8 v6 g& {' P4 {* O1 X9 u5 ^2 o

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
! z& Z2 f) U) U; F7 `  r
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/
; }5 x/ _) @3 x, v. U6 \, k试一下千问，估计美国人没有攻击他，所以资源敞开用。
+ c7 m8 X7 D. R5 S8 x很稳定，质量不错，好像最多一次处理15页。
8 Q% F& S! h3 X5 X4 B. @! R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。
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”。

& V1 s! ~$ y/ V6 Q# v8 Nhttps://github.com/oomol-lab/pdf-craft

+ K# o8 |( z2 u1. 这个工具要求装 python3.10
, l: Q4 C4 L6 p7 `/ N7 m/ ~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

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
   - X. f2 ]8 o& e1 [
6. )
   ) \/ h, K4 H  s
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   + n+ o) _6 [$ i: a; k2 s, E" Z
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   5 c+ d( p7 u8 o
9.     md.write(block)

复制代码

& H, t* k# i& F' Z- J7 P* z
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

# n8 l- g% r1 h/ ~, f& N
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。
( M' ]4 o7 \# q9 w$ o1 @效果非常好。
  K/ y0 \) U/ @4 j9 l+ Z5 E+ s
deepseek，qwen，chatgpt 三个，deepseek是最好的。

  W9 f6 _# m# f6 vdeepseek 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。
0 N$ A7 e1 W. C; ]/ A我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
8 w6 r6 A8 @% B0 n2 k, D  D
API到目前为止，差强人意，不如网页版本修得干净。

! J7 [  U# `! _8 }' Kdeepseek可以同时开四个。
' Z% h5 i) m& W) T: J

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
细说一下，听上去很不错，多谢。

7 D* b0 @- x2 C0 j: X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

7 D2 a. F; N) ^1 j/ L' K: x5 ?9 J; W
: X4 p2 }1 m9 I2 [6 w已经搞定.
' u: D+ n: O2 N, V
+ B6 }0 ~) e8 R" f3 y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

, I8 m9 m. e1 Z2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

3 @2 X6 j/ ?1 s3 j" Z+ o得到text file
* x/ P) G) H0 U+ U
3, python 读取整个outputfile，丢给deepseek 矫正。
$ h$ Q! o7 S! K
+ d$ `2 g8 O7 a* l/ H& N模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

0 Y( i+ e) U, \) k参考：
- \! K' D0 y9 U6 ~https://api-docs.deepseek.com/api/create-chat-completion

+ b% o- F6 v( ?  K" \( l6 P4 I2 d4，费用：
: d& ]# }0 O* _
实测：

8 o& o/ U& ~8 P/ y2 E296K 字母，用了 9 美分。

; J% H/ T/ c6 |( ?英文字母 到 token 用量大约 1/3
' s4 y; r% `# F
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
2 B. F& L( z  B$ T& d  ?
0 V! s4 r3 o8 |: e$ [/ Z5 f) s32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
2 ^6 r! w+ I  A! p1 }1 b
参考如下可以计算，懒得算了。
& M& y4 s4 b- R
( k4 \" G+ [4 x; e- E# jhttps://api-docs.deepseek.com/quick_start/pricing
8 i( q* @3 M/ c; i5 V/ n" ~6 ]
$ z5 n! h; B5 w$ z& ?2 ?# l1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
- M2 ]% k# c; t8 W$ _1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
) G7 I' X; e( A4 [8 a& l1 ~1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
4 P% E4 _3 ]0 }
# F2 D: r5 U* ^& ~# x: E3 Y可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
https://api-docs.deepseek.com/api/get-user-balance
6 X- f) p* t( }/ a0 g
5 n) m* @9 I' ^6, Models
8 U) Q& \9 j/ U. t& G2 Q; k
" F$ h2 ?5 I7 B' A1 }目前就两个
9 q. g1 G7 [* s' a7 a! D# deepseek-chat
# deepseek-reasoner
5 Z- V0 `# V( k; }4 c# h% l
/ W7 D6 f+ |8 }; R. Y% M参考：
https://api-docs.deepseek.com/api/list-models
0 p9 Q& J- X9 d' ~8 K/ Z: J' r! e
5 _- A; x0 E1 x. p
7, 问题
9 y6 Y1 \6 ~' [/ W
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。

+ s% d0 @, f% `# K$ u7 d8, 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。
1 U( x! }1 c2 G) \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。
# r- a5 p4 }, Q' P