利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

2 D4 _3 X$ V  g* {8 {9 ?( q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。
' o) ]& B4 O$ D8 m7 l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。
* e% y8 l8 h% d4 ^. |现在我这里API还不能用，等恢复了，全自动了。
% j1 l1 E" \" s- k& i====
( b* K1 t2 e- d% `4 P) Y$ w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。
4 P" o2 ^2 f9 P8 Z9 ?4 w====
$ o$ R# n+ T4 \0 U/ b1 Q0 u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。
====
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。
5 b- U. k$ Y5 d9 L' M2 f+ h====
( H8 @; D" K0 p; S8 B4 C+ a好吧，有些东西是不给翻译的，哈哈。

1 c# X7 ?, d. x$ G0 K# N- i2 v$ m8 Q4 WSorry, that's beyond my current scope. Let’s talk about something else.
$ y* v8 y+ E. z/ [9 L0 x% |/ @====
  e9 H3 C7 o1 c5 k' h" U4 S然后我的英文命令也让deepseek 帮我修改，呵呵。
9 O  s0 N" K. k# n9 {====
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。
) I  v& ^6 I' k: P后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
- s) K; H3 ^/ U5 u. \4 N8 K用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。
0 b4 K5 x: U3 _% w
, d' B  P# N( s2 H- P% {# A1 t
% q+ l( K8 @8 r) p
  T; A" [$ Z' L; |

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

) v+ C+ |/ i) Y  L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
9 Q; h$ {- J( E9 Q( ~& f3 L有没有上传整本书试试

* O  L7 N+ y2 Y% @  t) _  i3 _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

  O) g2 i" L0 ?. |2 o6 L9 J. T以后让deepseek 读出土的竹简
* Z" P# ^, j' D7 o6 F5 E
8 k' Q1 f6 B+ b) e, f' ]- f' q/ F还有把古文翻译成现代白话
$ ]& w: W  b' ]/ |
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？

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？

3 w6 v, r. P' k0 U& E0 w8 P6 f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 ...

) Q) |# t2 ]$ @' G) g3 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。
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。
! U( W, c& }. w4 |0 C- O! N3 V9 ~

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

9 q* H, H+ u: n( q% 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/
, L( I: ?/ ^  b0 B2 E. ?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。
, ~$ m; H/ `) m/ S: @/ y/ w9 b( S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”。

https://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
4. 把下面的内容写到一个文件里，例如 a.py

: B: g" T' o2 F2 @) X

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   4 c- K& T- d8 i' r( v/ _6 x
2. 
   * ^" i& z9 c1 t9 g6 P7 }
3. extractor = PDFPageExtractor(
   & B% Q9 t' _, l& L
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   & ]0 w% P. d# b" v" z7 ?
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   6 |2 J  \8 L( Y' Z+ g
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   * ]# t8 V( X$ o5 H' {& U
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   . f. ]. `) h2 N% G1 K  F# b) r. J
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
- f7 R5 N( C6 r3 ^4.3 /path/to/pdf/file: 输入的源PDF路径文件名
* C% A$ Y0 o; m' O: M' V- z2 P8 t+ O: _# g
5. 运行 python3 a.py

nanimarcus

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。
, K( \2 f" u# J9 k* Q效果非常好。
! [8 _, n4 j* h3 O/ s
) I4 K, ~6 P! l$ w, X1 wdeepseek，qwen，chatgpt 三个，deepseek是最好的。

0 w# e3 W' y/ Z* U# {6 n+ Wdeepseek 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。
0 S5 Z% \: J1 D5 B0 T我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

+ C+ ~% K. X$ O5 w/ e8 OAPI到目前为止，差强人意，不如网页版本修得干净。
7 i+ v6 R3 h8 k- M8 N
deepseek可以同时开四个。
- F) J9 L& F, Y0 `$ E

三力思

1 r2 L( t2 e8 q$ [+ D5 e
( m* N1 c; Z% m5 ~( r7 ]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 }2 j4 Q7 Y2 `' u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 ...

  G8 k5 F5 B+ C- p" @! s+ \# 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
细说一下，听上去很不错，多谢。

; r' v# i* Z# C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

: W  y) c2 C" ~- Y, A$ B已经搞定.
' b3 z2 y; l0 n$ l" s5 t
+ O4 G: I' Q1 Y! v首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
1 E5 S# J2 }1 k7 \
1, python + pypdf 按章节拆分小的PDF

, H3 N& Z. q& _# c/ o) ^5 n2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
; W0 b  F- [) Y* S
; o0 ^# a9 I) P得到text file
9 T/ l0 o; F; p- J
0 E. m( x9 P$ H3, python 读取整个outputfile，丢给deepseek 矫正。
6 J7 |' ~0 h6 W2 W" o& N7 E/ W
7 s: d# E  w2 U  _/ W8 i& R模型是 deepseek-chat
6 T1 ~) E0 j8 |! j+ X9 J
max_tokens 最大是 8192，别的不用改。
9 e3 }& F/ L$ Q  ~
; B) R9 F. p6 i, F0 t0 j! c3 W参考：
- a* p% ^3 ], m# ^, K( i7 H+ y; Dhttps://api-docs.deepseek.com/api/create-chat-completion
& g/ e" v2 k1 k) Y  d9 P( D
9 b( u. U$ ?2 y4，费用：

; h$ b! V7 O  `8 A0 k0 d  X+ I实测：
8 [$ G& {) u( F; _, T
0 D" D$ d8 i" N( O: F6 c, _' C296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
! u: q7 \7 Y2 ~2 u1 ^; P
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
. W# h- P) K% ?$ m+ I# C
参考如下可以计算，懒得算了。

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

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
; G' j4 G7 E9 v4 q( z
; r" C6 u: P( F" i, O  u& l% M9 B5, Balance
# r# M% h$ h0 J; a$ c; e
可以在程序里调用，知道每次运行结束后，balance还剩多少。
. f2 l* ]/ ]+ D) i5 A* _参考：
https://api-docs.deepseek.com/api/get-user-balance

6, Models
! g+ g$ K$ o4 u7 H) H, v
目前就两个
# deepseek-chat
# deepseek-reasoner
' j1 I3 d, }; ?
  |, w1 K) T# X, x! E2 O参考：
- @5 H0 ^; w0 L" \$ R  _https://api-docs.deepseek.com/api/list-models
6 p  S& N$ m$ \6 i. t  t  C% ^
' o# v' _9 j. N) e
7, 问题

deepseek 会将前后两段合成一段。
) d" K' t" \/ z- G( F特别是那种大量的对话的段落，deepseek会给你合成一大段。

; q- b. Q: w1 R$ V; D1 B: T8, 钱说了算。
+ a/ r  Y7 P  |! w
" B7 {/ y% Y5 I- W5 ~$ z9 Tdeepseek 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。
9 t  D& _/ c' E% o, F5 @  Dchatgpt也是这样的。
5 \: _$ _( s4 U! Z

1 X; h. h0 p$ C) [* I3 A/ o: ?