利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

$ s) M8 z/ \$ ?1 Q( D" e
把PDF上传，然后让他抓取文字，并修改可能的错误。
* |: F/ A* @8 J/ _. T0 T& l然后deepseek完美的完成了任务。
+ ?) b/ W& p& I  A段落清楚，列清楚，页眉页脚全部去掉。
( p# K# u/ W3 a# A# I: q我要疯掉了！
: H5 U1 U# s% B! a2 \% \! p  E6 y, Z# i1 i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！
. j- }- m% N2 k8 ~  Y3 Q====
* s$ n6 j& ?3 k% O9 D0 G7 ]6 b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。
. q+ B, A* p+ u====
第二次疯掉了！
  ~+ c' C  }: b) E: l% {4 Z& ~& _1 P2 Y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。
1 i+ G' g: u; P' f5 p; b$ S' [3 ?====
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。
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。
====
) o& C5 N& l9 h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。

Sorry, that's beyond my current scope. Let’s talk about something else.
& G5 K1 v- n9 E% y8 G( u0 P2 M8 _====
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。
====
" f% a4 i  Q: f$ }* \3 O时间段的话，北京时间的下午和晚上用比较好。
& Z3 @5 t9 P8 {: x4 y6 s后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
7 {+ I: i' N' T- f8 L0 O% D====
* A) c! K  v  D& x  S2 I3 w用千问吧，非常稳定，非常强大。
6 H6 G  C6 n- z8 ]% zhttps://chat.qwenlm.ai/
1 {3 K5 A( a% I4 [* W====
3 a3 l+ n0 o1 k& xDeepseek，API 看上去可用了，但是不给充钱。
+ v! d: x% k  b1 E
% X5 f8 n5 ]1 V+ t. ?2 [

5 z$ c# o, `* J% h# j

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
5 Q. o3 Y: u+ T; U# P  H  p这功能很赞呀

* n; a# D# A  p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

$ `! `: B" r2 j" ^& \2 h" U$ e以后让deepseek 读出土的竹简

- ?1 Z7 E8 X: T# N0 ~* b& `还有把古文翻译成现代白话

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？
& F( h% i! N# I1 m2 w7 j: j
! B1 J: t8 G. 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？
9 C) r' a( U& i4 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 ...

9 m! f2 R8 `1 Z9 I  N, _$ B. d
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。
  E. k7 U; d. F4 l- e) k5 g; b文字之类的没问题。估计deepseek现在暂时只保证主要功能。
) j- f2 q8 u9 F4 [8 J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/ o' U, ?7 n8 K8 {

nanimarcus

方恨少 发表于 2025-2-3 01:23
! O7 m2 E% B% D6 j6 L& u请教是如何实现的？
7 |7 A* o* N8 {
: X) {5 N+ a% {/ i( s/ 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 ...

: l# b) k& B/ g( F/ I& G5 q3 {# t+ |, R6 nhttps://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。
7 d  d( z% s, v5 v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”。
6 N% |& p9 }4 B9 G& e- k
- L  J/ X+ W7 r8 Yhttps://github.com/oomol-lab/pdf-craft
  T) z, V; y4 f! C$ m7 U! J
( s  {' \9 Q) i, F& W1. 这个工具要求装 python3.10
- A) @: ~/ O* P2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
; Z7 i2 y0 s5 t8 z" N0 B$ R) e% D8 H4. 把下面的内容写到一个文件里，例如 a.py

' {) ~( {( W. z) d: N' j

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.
   - ]7 L/ e" e* o6 ?2 A
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:
   5 [6 q+ e) m3 v5 J' k6 u
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

要修改的内容：
5 l, U/ D! B: F) ]. `- m5 j4 G4.1 /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
. T5 q. @" W- [7 @4.2 markdown_path：输出的 markdown 路径文件名
: J, C" J5 Z( f4.3 /path/to/pdf/file: 输入的源PDF路径文件名

/ j1 a7 p" h2 g  `5. 运行 python3 a.py

nanimarcus

) i- M0 X& B- C" m
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 S% C2 a/ R5 W) n& a然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
6 N! `( T( d: @% e  F& F! ^
; |9 S. q! `, x0 N( udeepseek，qwen，chatgpt 三个，deepseek是最好的。

2 C8 x/ H3 M1 J) W/ S( x! Ydeepseek 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。
. v& ?) ?) A7 A/ z+ q  L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。
. r6 U% V: ]* ?- U/ N  d我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

5 D- S0 P: U/ p6 v  h; z8 B& CAPI到目前为止，差强人意，不如网页版本修得干净。
. x3 U8 r# Y$ {% o
deepseek可以同时开四个。
2 L1 G' K" F% b$ }

三力思

3 ~* v9 O) g- P$ g! 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
* q/ k4 L/ `$ J  F2 `! ]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 ...

$ [) [* d: M* g+ W/ B6 R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。

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

5 m9 e9 F. \- {& o  F
5 L" S: @1 c& a! D已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

% h/ e, e% a. o$ C# Z1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
+ V  L6 b5 A) X& ]/ h
得到text file
( H) d0 Y' T. D( U7 r4 a4 f) ~; L1 y
9 E2 n5 i3 h4 V8 M1 _1 k3, python 读取整个outputfile，丢给deepseek 矫正。
8 u* c8 K6 `* P  [" M" Y* ~
& a9 l; `  {* k& m4 T1 d模型是 deepseek-chat

& g  ^" n( ^( K4 {6 K) ^max_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：
2 o. Q1 O, {$ p3 l% V
实测：
; M& E0 c% q, h9 ]$ e1 i
296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

1 V1 q* u, X. a+ f( |8 htokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
4 \/ |% m6 O; Y/ A
: f- Z/ g. S7 ~: a4 M7 `8 ^- u4 F32899 个字母花费 11782 tokens，包含输入输出的 tokens
! G) I  T7 c+ A! t. h% X( T# q
价钱，非常非常便宜了。
4 k  c% a# k: [9 r
1 [! l! q" D. o. Y, u参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing

& ?- M7 v/ }7 Z1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
" {4 |6 ^5 y& u# R& \3 u3 Y- s1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
6 _8 Y9 W) d, h% A7 ?& w8 v' q
5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
, [$ @, |9 ?4 {# U3 n$ P% E参考：
& ]. b6 x& }' j. O6 m6 }2 lhttps://api-docs.deepseek.com/api/get-user-balance

6, Models

目前就两个
# deepseek-chat
# deepseek-reasoner
6 @' p% g1 d) ^" i6 m
参考：
https://api-docs.deepseek.com/api/list-models

) z& o# j1 [+ C
7, 问题
' v8 v9 J; L3 d9 ?- c3 y
$ [- R3 p$ B* |$ U( @0 y2 u# u+ Edeepseek 会将前后两段合成一段。
8 ~/ ^+ e& D) o  K& O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。
' E; S! }% H( V  R6 \* G
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。
, \/ ?- M8 b* f3 {1 A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。
3 F+ Z. ~7 b* J7 k1 _  T2 v+ a( Z1 N