利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

" s# f: N* p7 P( e  f( n3 x" A
. N' N& m! L3 G4 h0 u. b把PDF上传，然后让他抓取文字，并修改可能的错误。
( v: T7 |$ o8 P$ `% [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。
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！
====
2 `$ G9 F& w" F中文也很完美。
2 p; ]  r8 k  e0 _( d7 ~经验值，每次十页比较稳定。
3 z4 F7 F) J) x9 m" E现在我这里API还不能用，等恢复了，全自动了。
====
* ?' u! o7 O0 O5 D4 k  Q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。
====
( r' O8 o6 D3 w# _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。
+ Y3 q9 W3 `; h% t: w6 b: q+ Q5 d, z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。
  ]. I$ Q; Z, y====
* a: B, M; }6 j/ m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.
5 d) J2 j, X& f+ S====
5 l( E7 }( T4 r% R然后我的英文命令也让deepseek 帮我修改，呵呵。
; Z. p' ]5 x$ {4 p7 ^====
- y$ D; z$ z+ Z2 w, R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。
; P& y# e5 j) H# a- d2 i, f; X后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
1 [, ?1 S6 Q! ^+ A+ N9 w. o* J6 C! i用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
( n! ?( g8 i) g2 [5 f* q====
# i$ e; b, e5 |Deepseek，API 看上去可用了，但是不给充钱。
- i% T9 e& y. v' Y1 T; y1 x1 r

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

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

' M8 E  D" T4 s% E7 v% Z( V以后让deepseek 读出土的竹简
( D4 }2 n* k% Y8 q
$ F. \: b7 W, i还有把古文翻译成现代白话
  u0 Q" ~* L3 A! L5 Z9 R
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？
: i) u' Y2 S" f  [$ e+ Y" A# e
0 Z4 A! q5 c3 a) b/ 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，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
2 U9 O' e/ J1 y5 ?5 ~# |请教是如何实现的？

8 a7 k' }/ |* g8 J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 ...

, F+ ]! t; q# D$ F( y9 ]4 G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。
3 h: j7 N( k6 H' |6 Y, S9 d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。
( P* g* y7 e! @2 q2 _( o5 x: v, K

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
. j! f9 R# R9 M/ ?1 u
8 L0 ^. R  ~3 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 ...

6 R% X% o3 k! C. K. ~2 fhttps://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。
) v$ g9 u0 z+ G2 x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。
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。
' |+ o: P5 o8 U" ]( N& }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”。

! A  i- d5 X" dhttps://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
  O" _( r1 ~3 v  @7 ~9 G2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
# x, ^  X8 l8 e' J1 t: q4. 把下面的内容写到一个文件里，例如 a.py

. z  \; g) h! C* q( l

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.
   3 T) x  h8 I7 r4 E
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:
   3 n- M6 w( f" c
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   ) A/ `0 U: j+ [5 B2 T/ S2 n5 _* Y: q
9.     md.write(block)

复制代码

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

9 P" m0 D) F% @3 S) n$ M) N+ q! ?, K5. 运行 python3 a.py

nanimarcus

/ f$ B: |* Z/ r7 P# V9 j1 z. c
3 \# m3 y; A4 i" j4 f% a% V+ y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。
4 K; a4 {% P/ n% t4 E+ [- @2 h效果非常好。
5 \! v# `8 @- o1 U" P* x5 z+ C
deepseek，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。
我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
# p1 O; R  [* g" W; t, @
API到目前为止，差强人意，不如网页版本修得干净。

deepseek可以同时开四个。

三力思

# d; N" U9 ~# ~# J0 R; Z* K% F
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
% ?: \+ P6 r  ]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。

1 O. w% m8 }3 ^  }. 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

; p4 }' ]! m6 o6 F) d6 {/ E/ \  F
已经搞定.
+ U- K  W, x* C+ E1 F+ U; S) L) q! w
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
0 _5 R; i4 [. t! |3 G8 T
1, python + pypdf 按章节拆分小的PDF
" r1 c, V9 I: Y' _) A; ^/ v
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

+ Z, a; X% \% |9 M3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

7 h* A  D, u" F: J6 Qmax_tokens 最大是 8192，别的不用改。
$ A9 _" L; @7 e; b: ^
9 \6 ?2 T8 L6 }0 a2 \1 ?. z' r参考：
https://api-docs.deepseek.com/api/create-chat-completion
9 v( c+ Q: C# m
: E6 t4 K; H0 ?: z) n& f' p4，费用：
9 L% a0 O5 {$ z1 v( s
实测：
: r. q3 c) Y& t" C0 F. |5 I
+ P/ o; e  Z2 y$ h% L5 n( S5 r296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
; O% s- P! V8 |, t( p
. Q& ?$ a* r! U& R$ a+ ntokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

2 z( c5 v( G: G: }0 |- x6 J32899 个字母花费 11782 tokens，包含输入输出的 tokens
0 h, T' y4 D$ ?, v6 b
价钱，非常非常便宜了。
9 d/ a8 ^1 r3 a
# r' q/ O, n& B参考如下可以计算，懒得算了。
$ F  f( \" f6 s! o0 s, `, K
7 d# M( h" l4 n9 E5 D6 j- Qhttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
9 g6 C, C4 n2 @7 q7 c. S1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
- m8 W5 p7 w5 n/ U; Y1M TOKENS OUTPUT(5)                                              $1.10                $2.19
8 {9 @$ h& G( a' H
5, Balance
" a+ f6 O5 h- P! a- ^
* @- ?" l2 X6 X+ n3 j1 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：
) X$ e5 Z0 t" }4 k4 ?  H# g. Whttps://api-docs.deepseek.com/api/get-user-balance
9 b' s, C/ Y7 F% O+ Z9 C
6, Models
$ n+ m, l; b/ O5 r
: u) F" ?7 }% R* C8 z- i4 S目前就两个
% M) X. V7 J0 j8 h# deepseek-chat
" S6 }, R. V$ j7 L: X# v9 ^# deepseek-reasoner
. b) I/ x; m* Y! X: u* u* h3 B
参考：
8 ~. J  h, G( u; Z) V  }7 v% e3 Xhttps://api-docs.deepseek.com/api/list-models

( Q( w2 P) Z8 i) A. M$ E
& w' ^, I" O1 U' j1 T% n8 Q7 v# E7, 问题
: s$ _% p6 a( f9 {# E( @+ [% B" A4 K
deepseek 会将前后两段合成一段。
( C5 |8 }% g2 ^- [/ ]# o特别是那种大量的对话的段落，deepseek会给你合成一大段。
1 P- d) [5 M" J! O9 h' R
5 Z9 a' y3 {2 v7 U' k! h8 J8, 钱说了算。
: `. t+ U% w, X1 d' T" m# P  c) Z% U
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。


; b& ^' W, U& D' \2 j