利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

! r6 d  U/ f1 {9 `/ ?
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。
; k4 k, ]/ x5 {: @  z段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
6 e& O1 c. U/ I" S" f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！
& `& B9 @. ?- G* C====
中文也很完美。
( y- C' J! z) d# }+ }) r# i/ ]& H' q经验值，每次十页比较稳定。
& |7 L6 y. k: K现在我这里API还不能用，等恢复了，全自动了。
====
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。
  V/ K0 _& _* p4 \% u====
9 i; z) m  ^* W9 P) P) s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。
0 ~6 k  `) ~7 r3 g9 d- Y8 B. o  G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。
====
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。
# K7 i2 d% w0 V! O
  u! C4 v# ^# \  Q& A' \Sorry, that's beyond my current scope. Let’s talk about something else.
====
然后我的英文命令也让deepseek 帮我修改，呵呵。
1 K" |$ x& E5 E( z9 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。
====
时间段的话，北京时间的下午和晚上用比较好。
. a7 d. L. F4 f后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
, U6 f9 l9 H/ s; s$ l. z====
% _1 J. V& M" Y6 p4 H' Q, f1 D用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
2 t. x5 V; R' K7 y8 }0 fDeepseek，API 看上去可用了，但是不给充钱。
4 u' C- P( p& @) k- P& c) A6 l1 B

! \9 _7 h! N/ c8 q- i

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

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

! c; T* V6 v( P" w! T' ~, u, B' W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

# P- I2 v1 c5 n' z# d8 s' M" {以后让deepseek 读出土的竹简
. @) Z6 V9 g- ~, h- {
! c( b5 M% o+ O还有把古文翻译成现代白话
, s1 X9 p2 K  u9 p5 Y; W5 B' e
2 n- t9 z% a6 q. x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？
+ s1 n/ b% \8 o3 z1 U' z
5 h( B- G  X' y6 d6 S* v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
% l$ T2 I. d5 G7 X2 L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 ...

: ^6 H( n% n$ w
2 S" r" X; V7 C# l4 E' r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
% l8 e0 Y8 x# v请教是如何实现的？
! m) Y$ O1 k+ ]
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/
# C; J8 m( l' @  B* S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。
) o1 z9 l3 N+ ]% |, N" W; f3 J1 `  i) [# |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。
/ d# }2 N& g3 k# n% i, `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。
2 a+ c* l# i! A/ [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”。

0 ~2 j6 Q) @7 x6 f8 Q/ }https://github.com/oomol-lab/pdf-craft
2 e, T: [/ w# l& H" C; O
1 M! d- O' P; d7 e, i& T1. 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
) ]- Y  q+ q7 ]" j" H3. pip install pdf-craft
+ z4 e3 o, z7 @- M4. 把下面的内容写到一个文件里，例如 a.py

+ X, N" M4 J7 e. o- ]

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   + r; Q. ^) P# W6 a% F$ U5 g9 j
2. 
   8 |6 |7 `' q; w4 H0 J
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ) R, G1 Q9 s) \  E  y" Y4 T
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ( T: O, z7 p; _! N
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   . `  f% S0 A( s3 X
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

1 u) k% N6 m, D( B2 d+ t% Q
& B% O0 J8 z; \' {. \4 o要修改的内容：
! C' Q; Z7 F( g( 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
% d: T" O& r- O' j4 z4.2 markdown_path：输出的 markdown 路径文件名
7 x: `' ^# B6 r; @" E7 ^4.3 /path/to/pdf/file: 输入的源PDF路径文件名

) c  ]  S) D. t1 W7 o5. 运行 python3 a.py

nanimarcus

4 W9 T( @" s3 b+ r$ b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。
6 G0 l( l; f0 h, O+ y/ z2 \; l效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
  I9 a' ^+ F- h
* e) P5 I5 N# W8 edeepseek 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。
: K. z8 E& o) [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。
/ a# e; J( y$ E
. V- i) G8 E* r" @5 v. D; f8 c/ N/ hdeepseek可以同时开四个。

三力思

& A8 m0 S, i' W  I
! P+ D' d1 [: C" M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
7 d% _' ^9 g( O. U( D5 ?9 j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 ...

* w& b+ j( J* m! e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 E, W6 c. t" g7 ^* P" B细说一下，听上去很不错，多谢。

1 F% B3 O& t* p" _( n1 D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

4 b% W( I2 j4 x6 N' p
已经搞定.
& f1 |/ k! G& q' b9 X3 a0 _
; f) _  N/ ?/ j/ q+ A- E6 t首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
; ?8 C' V6 r; t  T- [3 D
1, python + pypdf 按章节拆分小的PDF

1 L% B5 d$ g  [2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
( V5 J, c, F$ H2 W
- R  G, F2 j/ J& }得到text file

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

模型是 deepseek-chat
& W! W- N6 w  c
. o' |& B, X9 ^3 g+ o  Amax_tokens 最大是 8192，别的不用改。
0 j3 P6 d- C# n! p# m7 S
参考：
https://api-docs.deepseek.com/api/create-chat-completion
- }8 t: w6 S, e9 h: h
5 V! R) ^! O0 C1 `( s2 W- h$ K4，费用：

实测：

5 |3 v& J  M" t( [/ ]# {% |$ ^" U296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
* ]3 Z, F3 |* A. b" R9 _" h
( c; l$ [, b5 a4 W2 V" w. e8 i# O2 C" @tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
, ?4 V; ^  B0 }+ I
1 g: m# X+ {* x; p* x32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
$ j5 v1 l4 D* M; N$ w; }3 ~" C
参考如下可以计算，懒得算了。
0 l7 G7 u3 c1 T8 f; i& d- e
. `" k0 T, h5 k3 J& Nhttps://api-docs.deepseek.com/quick_start/pricing
5 K# n8 C8 }, j6 [; F& d9 \, [% {2 J
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
2 D( v3 t4 f8 n( m+ Z' C0 I1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5 a& S  V# ^" s) c7 T5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
( X5 x7 o4 h# g' a, N/ v; s参考：
https://api-docs.deepseek.com/api/get-user-balance

% g& m7 a0 V2 O5 c( k3 X" V6, Models

目前就两个
! L. h7 E/ _! e: i8 v$ K) E# deepseek-chat
2 A$ u0 F1 z6 P! ]) i: R# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models
$ b& ~) d& K5 E: K

7, 问题
3 u6 H  r3 B- z: P( |# I% {5 R2 @
deepseek 会将前后两段合成一段。
. C6 [, o; i/ D- D, d特别是那种大量的对话的段落，deepseek会给你合成一大段。

& v4 X- J: g/ l* l8, 钱说了算。
9 ?' z$ H1 P- y& z& O
$ l( |: L+ b. 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。
( ^6 x+ A3 v& F. o- s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。
/ M3 k" q- v6 v; ]4 X