利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

: T' \/ Q. v7 B) T1 j
7 D/ Q* ^9 _; L9 o4 R% E! X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。
4 D- @7 n3 t, U6 C  t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。
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。
====
第二次疯掉了！
( ]6 `1 C: }, v6 D. F& S0 g( x  r; y, p% G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。
====
- P8 V( ~9 |9 a2 `# J  t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。
% P4 T: Y, t& z) p但是任务多了后，每次翻译的页面数是减少的。
/ I% `0 R$ A# S  u5 m好吧，我五体投地，继续探索。
5 H% R; _# m3 U; s====
# U! S) R" p* _8 q# v/ w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。

, b6 N4 T$ B5 i3 o6 sSorry, that's beyond my current scope. Let’s talk about something else.
====
5 J2 y1 Y- c) C然后我的英文命令也让deepseek 帮我修改，呵呵。
! r( R) {; l  g; ]6 u1 d====
* t9 U4 d5 n1 a4 u" j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。
====
' j. N( h* h- J, k( t! X时间段的话，北京时间的下午和晚上用比较好。
后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
) Y! S+ }9 a; E====
& ?( g- e8 X! ~& Z3 [用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
8 D9 y9 {6 R; V+ Q$ v  ~1 A% D) B====
" k/ p/ x9 V2 G5 u, S: `Deepseek，API 看上去可用了，但是不给充钱。


% X* @- ~5 y  \/ J, M" c2 ?

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

7 \7 I. B  s# _! E1 U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

以后让deepseek 读出土的竹简

3 l- m  _( m. Z. h4 B还有把古文翻译成现代白话

% F# c. |& |) f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？
7 v  T: e; {# 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，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
" y6 T; J: p, J6 ^9 I7 M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 ...

/ _  {- _  T( k' X3 F& f8 C. ^
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。
# L$ ~: e2 g9 Q* G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。
7 n8 a1 R4 x1 S5 {4 J

nanimarcus

方恨少 发表于 2025-2-3 01:23
8 w  o( m0 b& e请教是如何实现的？
. _) r" G' h' Y- o$ |- i
( h- n$ Z1 l2 n" S$ ~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。
; v' B7 x! |- k4 Q: k' Q# I! 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。
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”。

% n, B# {' R" |  f- P% Bhttps://github.com/oomol-lab/pdf-craft

1. 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
1 R) R# p: @1 E4 X2 _+ M- w4. 把下面的内容写到一个文件里，例如 a.py
' R* K$ K; _% t2 n6 A( t, d* v0 e0 P

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   ( q( n6 Y# D# G, c* g
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   + B" j6 P+ |* n" @
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:
   6 k- r- b3 D( r% N6 `
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   ' k2 T  Q! Q. P3 b& e) [, f* k
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

5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
. i* G8 l3 g" o% G* ^5 r先写个小程序，把PDF按章节切成小的PDF。
$ h5 f# Y# ~7 B/ h+ F+ {4 t+ ~( E然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
" r2 Y9 R# R1 d: {" o$ l  i7 v% X4 W
) J7 f8 U& k# D3 P+ w  Bdeepseek，qwen，chatgpt 三个，deepseek是最好的。
: O' w& [( ^. z$ z7 L
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。
) G+ C4 P, _4 b% y1 Y( A5 J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 L( Z9 V. k1 ]我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

% [" J% ]) J3 U, D8 Q8 D1 CAPI到目前为止，差强人意，不如网页版本修得干净。

6 e' U$ E. V! H" N4 J8 |9 `) }* Ndeepseek可以同时开四个。

三力思

. }1 a5 o$ e2 E& w: Q' t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 ...

/ V0 P, R% v: x# b( ^3 a: p细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
! Y+ g) Z" N$ b$ X) n. p细说一下，听上去很不错，多谢。

% v2 L2 ^" A: R  G3 @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

, ?2 T+ |/ M8 Q' J5 ]4 x& U已经搞定.

6 S2 u9 y2 n* t" v1 G& F首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

& M! s( H. i1 i3 j' _1, python + pypdf 按章节拆分小的PDF

+ U% i8 H1 S$ A2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
" W- H2 g0 N/ {  u9 @
得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
' ?" l- q1 H+ _, O2 T2 i+ L
5 Q7 s8 v: H) `3 ^模型是 deepseek-chat
1 ^5 x2 {7 P' y% Q. y0 F
/ ^& k0 A( _. h0 Tmax_tokens 最大是 8192，别的不用改。
  q, u7 S- s6 k- C3 F; h
4 x1 A4 N$ a8 v' A8 d3 h; I. G- L+ j参考：
' F) g' j$ b$ `, _$ h4 G( I% Yhttps://api-docs.deepseek.com/api/create-chat-completion
# N( i/ S- l0 q& @
( b0 x- r/ Q5 N4，费用：
2 j% L/ z2 t9 a, Y! S4 V2 n
实测：

296K 字母，用了 9 美分。

, r: ~5 _/ K* n5 n, t  f英文字母 到 token 用量大约 1/3
; p, ^/ W( K; _" x: Y! }
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

7 S* E! C5 b! Y; E& e- [, l32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
. b# Z; U, l4 ?! n2 x) d: l9 D
0 [. I# |2 m, S: x  W9 i( e参考如下可以计算，懒得算了。

9 D3 M3 `+ g# Thttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
! k3 t$ _* Z1 Z1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

  l' G0 h" N' q' B5, Balance
, \2 a: v% a" w4 Q9 I0 C8 d
9 ~( Z& ^7 @" @  Z4 \可以在程序里调用，知道每次运行结束后，balance还剩多少。
) p: k. Q5 v/ a参考：
% a' y# Z% J, y5 q) ^https://api-docs.deepseek.com/api/get-user-balance
& W0 E0 h) w" L8 A) N% Q2 [$ U' z
9 C7 C/ n7 Q4 x6 ?6, Models
; ~1 C' T- ?$ b: E8 v
3 t$ o3 N3 u! {5 O目前就两个
# deepseek-chat
# deepseek-reasoner

) o+ g, k  y! n0 }参考：
https://api-docs.deepseek.com/api/list-models


7, 问题
5 \& D5 [$ ?$ B
deepseek 会将前后两段合成一段。
. h: [. Q' g. h8 W+ f特别是那种大量的对话的段落，deepseek会给你合成一大段。
: Y- e% P7 o" q
. f6 n% d, M1 d% e5 z8, 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。
4 J" t; l, {, E  ~* u  C0 D2 V但是API就不会出现这种情况，毕竟我们给钱了。
- w, D/ P' F3 e% ]* S1 j2 X- R4 tchatgpt也是这样的。
2 Y2 }/ f1 `8 n  v* D/ _

0 [9 X# O0 D) S& j8 m8 H0 P$ m4 r% i