利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

1 }4 f3 j) k6 `4 f% c+ M把PDF上传，然后让他抓取文字，并修改可能的错误。
. T1 Q1 ?! R8 E, Y' a: |然后deepseek完美的完成了任务。
3 e8 l' }4 J  Z6 n8 R段落清楚，列清楚，页眉页脚全部去掉。
  m: G% ~9 D# M$ h9 f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。
) x" Y; ^3 ^0 k$ C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。
$ P7 y9 Q# o7 {( s0 C====
第二次疯掉了！
! p5 e2 J( l8 d# {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 s, g3 f8 C5 C  O: n====
3 h4 A  E/ N( F+ P2 b6 k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。
$ X1 g8 c/ \3 Z- @( e, T  O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。
====
! G' Y# z8 }! @9 Q, t9 J1 q* ]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。
$ j, k, J  ^3 [( [6 O" j+ g5 x$ H====
$ D# W7 A# `6 V1 F' w1 j9 \好吧，有些东西是不给翻译的，哈哈。

Sorry, that's beyond my current scope. Let’s talk about something else.
====
$ f( i) I# Y+ m" M  p( n0 Q然后我的英文命令也让deepseek 帮我修改，呵呵。
====
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。
====
7 K$ {8 \6 m5 P- B$ w. I时间段的话，北京时间的下午和晚上用比较好。
# S! d$ G; [# a后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
: N- A# b8 f3 W2 @====
! K- x- @$ H' Q9 h0 |3 I& i用千问吧，非常稳定，非常强大。
+ t0 G5 }1 c" u& h0 G4 e* Q/ j: ahttps://chat.qwenlm.ai/
: X/ Y1 _% ?, o+ l% m& K====
Deepseek，API 看上去可用了，但是不给充钱。
& q) p) F: c% C3 ^
4 D0 c5 ^: ]! ~% F4 a& [  A
( [# U4 N8 v1 Z) i
  Z4 m4 V: l9 [2 l& j# o6 h

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
7 `' @  w1 c# @& E( `, p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

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

2 c$ m; ?/ i& p: g. S+ X  u) S  g
以后让deepseek 读出土的竹简
' h9 R' o2 G$ W3 {0 t4 }
还有把古文翻译成现代白话

5 I3 V  L4 g+ l0 M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？
+ W: G$ X6 m  |2 @% S
4 X2 Q' N" B$ s& f. l# j7 n6 @) 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
请教是如何实现的？
2 }; u9 @2 n+ h$ g
; j7 l% v% ?+ H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 G" Z  a2 H+ I' l- A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。
; Z8 S: ?+ _9 h, e文字之类的没问题。估计deepseek现在暂时只保证主要功能。
+ R, K8 \3 I# k: R2 Q: L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。
! Z' E3 x; f% ]  V# z

nanimarcus

方恨少 发表于 2025-2-3 01:23
$ J: B, ?' ?, v8 _' X请教是如何实现的？
7 Z0 N/ a$ m! X: T$ A+ l! f
  ^5 @0 h4 w7 z6 P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/
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。
1 ~, O% y0 V" d! q" \" _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。
; \7 h9 i$ Z; x# E1 b6 ^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。
, _$ [  T6 W% @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”。

5 q0 f3 O- T: l& ?8 K; |https://github.com/oomol-lab/pdf-craft

  }% ^1 I1 L( N4 x1. 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

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ' e6 V  o$ J  x1 q& Z+ F
2. 
   4 c' Z6 d/ q. {) [7 `& o# k8 d
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
   
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
     O# H9 |2 e0 P
9.     md.write(block)

复制代码

2 h! F. A8 v/ t, r! p( g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
" t8 M0 k) F1 l$ y( ?; l; @6 E4.2 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

5 n+ K3 k- J9 [$ }
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。
, E) @: u* `9 b. V/ G- Y+ H然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
( y* Y+ X0 l$ A, Z( K
, v9 L( C; o1 A4 @1 Mdeepseek 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。
8 X$ [9 w, [: d1 g$ _; i- h  f& U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。
  l0 @/ l# F5 R  y" c# Y2 g
API到目前为止，差强人意，不如网页版本修得干净。

, C4 k( y7 H( H- K: t; cdeepseek可以同时开四个。
; W6 x# q2 {. v5 b

三力思

8 V( J7 Q7 u6 b7 L/ `% x7 |
: H# O2 e8 j3 u( N" `) P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
( o* W. C5 \6 {- }) O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

: T5 M  {' M1 [' F已经搞定.

) X  E2 n/ F0 P9 I, i首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

. O+ X9 `' x2 d% T9 R1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
$ n4 _' b6 h% f6 B
7 t1 R( }  P' R- N模型是 deepseek-chat

4 E2 U- O7 r, j; d$ k/ H8 ]8 gmax_tokens 最大是 8192，别的不用改。
$ b* P' r% @5 k* a& J8 U0 G- Q: h+ d
, v( e% T- B( X, `4 n) \0 e: m, P参考：
1 k2 t$ ^6 \5 Y- G) X* l1 @3 \% ghttps://api-docs.deepseek.com/api/create-chat-completion
; X# }9 g+ D- Y$ }; ]+ v* D* R- y
6 w. g; l+ k7 p* S5 k4，费用：

实测：
- L& q. r1 d# S/ p! q* F
8 M' p' H3 C. Y$ V. ~8 H296K 字母，用了 9 美分。

. T7 X7 j; _' S- h- c1 S! V英文字母 到 token 用量大约 1/3
+ P6 d1 }) }* ^' R* M
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
# I3 v) ^6 ]/ I% I( r5 m9 r
32899 个字母花费 11782 tokens，包含输入输出的 tokens

2 O9 ?8 g- Q* O( x4 n价钱，非常非常便宜了。
1 C) y7 M6 a1 {! {- {  l1 Y! a
参考如下可以计算，懒得算了。
" b  k+ @. N0 U
https://api-docs.deepseek.com/quick_start/pricing
1 f7 B. }+ i  h0 }2 q
; e' n3 c4 S3 ]2 M& m. R1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
. o9 r7 |3 G' h3 S' f% B3 o4 u# r/ H1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

  B) J6 O& S/ R6 ?9 v  o. E3 s5, Balance
  v, C* k, ?3 I" I
1 T' E& _0 [  x可以在程序里调用，知道每次运行结束后，balance还剩多少。
, s4 @- g! w* I1 u1 h参考：
https://api-docs.deepseek.com/api/get-user-balance
4 u* @0 l$ j2 g0 _6 s# P
6, Models

目前就两个
# deepseek-chat
! C4 P& n  |6 j# deepseek-reasoner

' K; \; V) |( J% g参考：
https://api-docs.deepseek.com/api/list-models

9 y* }$ r2 s! K0 c7 p% @! j$ p
7, 问题
& s0 q- }- }# W' i* l) g
, Y5 \" N  F8 i) f$ zdeepseek 会将前后两段合成一段。
# z4 Q1 {& f/ x; w! t0 s特别是那种大量的对话的段落，deepseek会给你合成一大段。
! O/ w" w; v, z
  |7 W' }2 }# j  j+ `5 l; z8, 钱说了算。
/ ?# L: g3 N3 t) u' m
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。
: G- v5 [; s" Q4 L5 V  E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。

- [0 U2 b* d8 Z* p0 r