利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

" d# k: S9 ]% D4 v4 q3 o  i
把PDF上传，然后让他抓取文字，并修改可能的错误。
' ^$ k9 {1 Y6 M$ j) Y% X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！
# `5 R- U( H1 Z' o2 [! B4 P" k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！
5 n7 r) b) t7 J. o% Y/ n+ L9 L/ @====
中文也很完美。
! E+ A+ X6 ]/ ^! U- p7 T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。
% j7 d9 s% m% m* K- I( U/ X3 J====
8 h( S; k" h/ G; y7 S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。
====
5 v4 r1 o, v# h& K5 b" 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。
但是任务多了后，每次翻译的页面数是减少的。
" M1 e1 f, x" T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。
====
好吧，有些东西是不给翻译的，哈哈。
6 a1 n- L+ k  r) O" T: Z3 \3 J
Sorry, that's beyond my current scope. Let’s talk about something else.
8 G: K8 H- l1 c! }2 m====
9 |7 R: r; W. H# P8 v) I: m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。
====
0 f8 W, N; ?; v* W& A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。
$ ~3 K4 x$ b' T" j" C- m" r====
用千问吧，非常稳定，非常强大。
5 m5 T+ n& n- L' _' \9 k$ Lhttps://chat.qwenlm.ai/
0 ~$ {+ _2 i1 y0 t====
Deepseek，API 看上去可用了，但是不给充钱。


4 R& G+ t) E8 J! [
* M1 H% Z( H0 R8 h

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

6 C( V% X% i8 i3 N: e) n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

8 _/ p( X' ~' |6 Q) Q
: Y1 Y9 c( X3 {$ i* j! h以后让deepseek 读出土的竹简

) D& |2 |: A% ^. I: R还有把古文翻译成现代白话
& |0 t9 A6 h5 V9 B5 L: x
$ ?- Y: M! M0 K& w! m! n/ r# U9 {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？

) H! r* i) `- T. d9 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，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
  t7 ~! [3 t9 B$ N0 u' W% k% J) ~9 A4 D请教是如何实现的？
9 z1 L0 z5 ^; S/ M: C4 M0 d
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 ...

2 ]1 U5 s+ `% X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。
! s' [! Q. H+ j8 m+ }

nanimarcus

方恨少 发表于 2025-2-3 01:23
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 ...

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。
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。
: _, ?/ n5 N  J5 r# v5 a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”。

1 |  @! X4 c$ w9 m% K7 xhttps://github.com/oomol-lab/pdf-craft

$ k" o4 y! m+ w6 Q' [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
$ B/ Y2 |2 z3 [9 G; ~/ P- Q3 p4. 把下面的内容写到一个文件里，例如 a.py
8 B& b) [& {7 ^- w
  L) ?: q3 j3 a2 [1 Y

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ( ?' X' H& L$ O0 Q9 Y
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ) a" v0 C( P" e' X+ n1 c
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   - m- B# ?' s4 `  Z7 Y! B0 O
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   - s; ]2 E: U" L
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   + F6 Q/ F$ U! Q& g% l0 |! k
9.     md.write(block)

复制代码

8 d: L" O+ _- W$ _4 Z8 M: v
2 F2 r2 ~0 u; y$ w- s- I: S, \; 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
4.2 markdown_path：输出的 markdown 路径文件名
, ^/ p: Q6 L: J% l) i9 v/ f% s4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

  W, G! I  f, w+ N/ }4 j
2 m4 w7 a: c# x1 ~# `# N: @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。
  r5 d% z9 O, O+ u- Y" {# [效果非常好。
# _1 a+ t* L- @7 S
' M* o6 A( n0 g% o$ udeepseek，qwen，chatgpt 三个，deepseek是最好的。
& X8 P8 t% i* j  u
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。
, m, [' Y" E6 a& [! s- i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。
2 ]# E- N3 J( V2 P: q7 s( l我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
: T3 B6 b. L2 K8 h8 q) ]" H$ _
API到目前为止，差强人意，不如网页版本修得干净。

8 k/ f3 i0 @) }6 `) z9 X; F7 Ndeepseek可以同时开四个。

三力思

3 i# D& s! J; S) q) O- A6 Q
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 ...

! d3 ~2 r- u2 A! o/ }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。

0 t1 X/ T+ C$ p" @5 B6 w& W% F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

已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
3 E  C8 ^7 R, r: N- |0 g9 K
1, python + pypdf 按章节拆分小的PDF

. t/ D  |# r. Z2 f# T2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
# @5 t1 d, l2 g
得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。

) A1 D3 T  ^  k- N8 \- H  ?模型是 deepseek-chat
" U8 T* E( i( _
6 ^; J4 Z) |; h6 v8 dmax_tokens 最大是 8192，别的不用改。
  ]* z! z( C$ R/ W+ E$ R" b- y1 e
+ d# `( _* m- n4 F0 d参考：
3 W# t9 q: m* b8 y1 k( zhttps://api-docs.deepseek.com/api/create-chat-completion

4，费用：

实测：
! O; T( e7 k* B9 ^$ F' \' [
296K 字母，用了 9 美分。
9 d3 ~* S: l" f2 z' R
英文字母 到 token 用量大约 1/3

7 B4 w$ V6 a( ~/ r0 [% ]& W2 Otokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
4 `* p4 J8 V- P( p1 m( z
; j  ~4 w* y8 _) `2 \  z: h32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
4 |' t4 H8 H& i( s3 Y9 ?9 t1 f3 W& Y" s
& w5 T; I, S4 z" X4 I参考如下可以计算，懒得算了。
5 Y: X# B, I% D' k. S4 b
# {4 B! t9 A9 Q/ l" @5 Shttps://api-docs.deepseek.com/quick_start/pricing
8 d3 x1 S: W3 T- r* [9 {. R
# g' ?8 r. t  o6 Y5 O  I1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
7 i& n3 U- D& Z* b% i/ B$ e1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
6 L5 a6 K5 ^& i, [, v& M- x1M TOKENS OUTPUT(5)                                              $1.10                $2.19
7 g: V5 [3 e5 S7 H+ x' ]8 w* v
5, Balance
9 W2 V, r  c$ T7 |: J. r2 A" U
可以在程序里调用，知道每次运行结束后，balance还剩多少。
! w5 ]  _2 S) ~! C  _参考：
https://api-docs.deepseek.com/api/get-user-balance
& p/ D: M7 y6 R3 Z: |/ y
( C. S! D+ V2 l5 _' L7 T0 J5 Y5 m8 z6, Models
. K: M3 Q: Z+ I
目前就两个
# deepseek-chat
/ `( s4 {$ p1 k2 q3 J# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models

5 Y9 e. B3 ~8 |8 Q% K/ w# |* k
7, 问题
: G; y8 `+ h2 o; w: ^
5 B% |8 x2 z, p; r3 y+ Vdeepseek 会将前后两段合成一段。
( I- e1 O6 e) c, d) |. {/ d) D/ |" i特别是那种大量的对话的段落，deepseek会给你合成一大段。
3 ?# p: G& E) U: f% [5 a& O. W
5 z* z, N- ]8 ?+ _8, 钱说了算。
- G& R. M* {' @1 s7 [5 E" Z- z  j
7 M: g9 l( l! I" bdeepseek 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。
+ l  O# `. H# H2 E! p3 O( ]% N) v' D2 q但是API就不会出现这种情况，毕竟我们给钱了。
" B% I' ^6 E# Pchatgpt也是这样的。

- R2 C& S$ D. S! W
! W5 i% O! b4 k# b