利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

. P; @. _, \3 n; l0 [
把PDF上传，然后让他抓取文字，并修改可能的错误。
( i0 E' x; X& y) R然后deepseek完美的完成了任务。
0 G. ^3 ]2 h$ h0 Q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！
====
中文也很完美。
经验值，每次十页比较稳定。
& S  J4 R2 n7 K2 I, U现在我这里API还不能用，等恢复了，全自动了。
====
9 b& m% C8 J' A  x3 V8 u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。
====
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。
3 G4 _0 v& O4 y" U" k8 t====
6 }! k, L& R) a* X3 i: c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。
8 r8 f) e9 W* q7 r
Sorry, that's beyond my current scope. Let’s talk about something else.
====
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。
$ Y! b* T/ V! j! m% d====
时间段的话，北京时间的下午和晚上用比较好。
, v; R9 V% ]& J( t$ W: H后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
6 _* Q& t& {2 m1 K& }+ H====
! h; @' X( _9 U7 l* |7 j用千问吧，非常稳定，非常强大。
$ ]4 ~4 n8 {: C, P! |/ b/ O; J0 K" Yhttps://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。


0 Z& X) x2 ?# O; X0 j
7 g9 ^% p. f& h3 u9 C# ~

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
$ [6 L- v* p& F) _4 ]% n  J' N( ~有没有上传整本书试试

! I. q8 L' p; ]; T1 A2 s4 ?  t7 ?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

5 F  F# M3 M$ j, a% o
以后让deepseek 读出土的竹简
4 O- r& [3 N2 |( L" M
还有把古文翻译成现代白话

  {3 i3 s" i, v& i/ w8 U- q7 T* J0 n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？
" T1 V0 |4 r1 P; B1 R, m3 o8 ^
  K+ q; t% D9 M9 `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？

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 D2 G7 l' s5 C1 e+ I. L4 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。
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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
$ y  X5 z) H7 e
6 E  S6 B- C8 u+ F8 ]  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。
$ Z8 k" [% j; w0 F# g0 k$ w- r% X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。
/ b7 K, v' K% j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。
4 a& p- G6 z4 ?- A: ]7 Q/ w6 r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
/ ~6 J8 d9 B3 }7 y8 O2 N: B8 |
" w2 y  r2 U+ i4 q) L! V/ K1. 这个工具要求装 python3.10
! Q% p/ @  L* c- g& \: A9 q2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
; A" q3 J& a; l5 B3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
7 a# \- ^9 k9 f9 W6 f7 m
/ G& [6 [/ q3 Y( {

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.
   
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ' j4 g4 D$ X0 v, u0 V+ l
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

' M" ~2 }; x) Z3 B# W% {8 @2 Y
9 s2 a$ k/ W" {. T& ]0 ?1 M要修改的内容：
8 l# m$ D- g* W3 {3 a5 J- d4.1 /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
( H$ o) S" [6 z" P; L, |0 ~
. r! V+ a  C* @3 K& _. e' G5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
3 @5 \/ O$ C) V# i  B" F8 V先写个小程序，把PDF按章节切成小的PDF。
' F9 m% o5 l6 |& \9 L( P然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
/ f$ h1 v$ D; J6 y3 \7 n效果非常好。

$ S4 ^# F# B* T+ mdeepseek，qwen，chatgpt 三个，deepseek是最好的。
3 ^' x2 Z9 ~0 m' f; t& g: h8 Q
: z2 b. g$ T3 w' O; Y6 gdeepseek 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。

! z+ C$ {' {3 }( D, V1 k5 qAPI到目前为止，差强人意，不如网页版本修得干净。
5 S6 V3 H8 ~, \7 t0 g
7 e: g  S* W1 T1 S- j3 x2 {deepseek可以同时开四个。
& [$ r, u: W! g% ?2 k9 H

三力思

- C, {+ z, ?# M# `; M3 t, N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
) y: L0 W3 w* S! D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。

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.

; {2 [- l7 e( o& Y首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
3 q& A8 c+ |: B* n* j  H# @" n
1 L/ [! G- s& d+ V9 `1, python + pypdf 按章节拆分小的PDF
; H! q/ u9 ?% l2 u5 q+ F
4 p" I; k3 x( g$ q7 T3 O6 j2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
. ]* R" l5 L8 a0 Z, j/ Q9 L6 u7 d
得到text file

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

模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
1 T5 G/ }. I: x. Y, F
$ w* G; }) L0 B参考：
" p$ z0 O9 f' r- Ohttps://api-docs.deepseek.com/api/create-chat-completion
$ y8 ~  [2 y) F4 A# ?, `6 o
1 ]' B4 w. |( }5 G* y4，费用：
9 u. ?- T: C4 F: J
实测：

296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

6 P; D! \$ S% `8 u5 n4 Z32899 个字母花费 11782 tokens，包含输入输出的 tokens
- T7 r! S5 P/ F) G
. I0 I" n  _, G; Y8 ^价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
8 z7 t  R4 G. n3 ?3 h0 |
2 V9 V- z8 X# Lhttps://api-docs.deepseek.com/quick_start/pricing
; t# c2 i9 |# H7 u. Z! n
# e8 B0 y: b& U- D1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
+ t9 ]( `# g3 u+ M: a! y) M8 c1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
% E/ c9 c' }$ ]& |& K/ ~) h# 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。
参考：
https://api-docs.deepseek.com/api/get-user-balance
! h4 \0 L7 a+ Y; i
6, Models
9 w% ?3 N2 Q( f7 q+ F2 D) }  E
目前就两个
0 \/ G4 \  ?8 R# deepseek-chat
* E4 O) `7 W/ k  F: f# deepseek-reasoner
- A/ `' E: y6 K- b  w
参考：
* b# I/ H" L6 o( Yhttps://api-docs.deepseek.com/api/list-models
. Z) p9 i. E. L9 e& c

2 \) z2 x' `: T; f: t0 k1 X. h8 g6 O; t7, 问题

deepseek 会将前后两段合成一段。
特别是那种大量的对话的段落，deepseek会给你合成一大段。
/ L( R) O' Q2 V( {, ^4 o* I
% x' E! T, Y" ~& M" o' e8, 钱说了算。

! U; e- P, j1 m* Rdeepseek 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。
. I: |* ?$ f. B, Y+ E5 U4 e但是API就不会出现这种情况，毕竟我们给钱了。
1 ^+ Z/ T  Y& X3 W* bchatgpt也是这样的。

8 B7 v3 b/ R9 L' e+ P* L