利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

2 z5 ^6 v/ T$ W9 @
把PDF上传，然后让他抓取文字，并修改可能的错误。
% X2 R* }4 l: f# c3 D- c然后deepseek完美的完成了任务。
1 u1 Y3 N/ x' d7 }& F段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
# i) A  E" d. b4 P- o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！
7 Y0 u. [3 R0 A0 B' u" O, [) e" T; n====
中文也很完美。
+ `" k& G0 u$ D% |4 n- {, _经验值，每次十页比较稳定。
% `' ]5 k  Q0 x: d5 t% U现在我这里API还不能用，等恢复了，全自动了。
====
# q( V, U) B1 n% l+ \9 Z9 B第二次疯掉了！
0 \# [* [2 Q2 t6 a+ L; \7 j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。
====
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。
3 ~0 J" r, F& A  r7 [2 D
- _: e. F: g  `+ {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。
2 f6 a( }0 ?0 Q% s* n====
+ n" ]" T% m: n" e% [3 z3 m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。
====
& w! |% e7 H' i/ g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/ o/ |7 O0 ^. ]" o9 I8 @====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
$ [, O8 }/ `4 O9 {: tDeepseek，API 看上去可用了，但是不给充钱。
1 C* h9 Y& ]6 q( v" S& ?


9 t8 \# C* `/ t9 K0 ^' U9 y4 S, [% p

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
# U9 L& y. N$ a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

2 u$ h0 Q4 j, B( J. d- V0 f& P以后让deepseek 读出土的竹简
6 {5 z) Q( Q% q- N3 r
6 v. ?& j2 p0 J) }$ ]' H- X1 O. f还有把古文翻译成现代白话
5 a2 a7 Q7 c5 l( p
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？
$ q& H0 O1 Q  c8 i7 W! }: R
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？

# p" P1 E6 D5 @7 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 ...

9 M! Z2 m0 L4 x4 n% Z
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。
  E: x9 N$ O$ N6 {文字之类的没问题。估计deepseek现在暂时只保证主要功能。
3 f& m/ p/ t- m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。
9 A4 a: f! i# ~$ d8 o5 [- w$ x2 T

nanimarcus

方恨少 发表于 2025-2-3 01:23
$ t/ l6 n# K! g; s' \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/
- m" _5 M: F# p" G/ ?试一下千问，估计美国人没有攻击他，所以资源敞开用。
0 }6 b9 Y# z, T. H3 K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。
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”。
5 \; h; T, h& E& G9 j* c
https://github.com/oomol-lab/pdf-craft
! {: J3 u( n% q$ Y( d
( |2 Z$ C: g' W/ y% l  T& n1. 这个工具要求装 python3.10
; W) _. L3 e$ @+ X1 R' t6 o2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
  E: T* z/ p. ~% |3 a1 W% k$ A4. 把下面的内容写到一个文件里，例如 a.py

& G' H' o$ m7 j- ~+ S

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   3 ]8 j6 ?9 N4 [% h* X2 t7 e
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
   ' s6 y: X& r' e3 k
6. )
   , ^& I$ q0 D4 W
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

. _  [7 h, L: k* ~2 M
, x1 i) ?+ b6 N0 g: \6 _3 X* @要修改的内容：
% g! E' x! ~, W- b# F4 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
# E. f& Q  J1 N' ?; S2 |  }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

! E* v" N7 A8 L& X5. 运行 python3 a.py

nanimarcus

) Z. Y/ N, s( T4 \& s目前为止PDF转纯文字的最佳办法。
2 F% `2 e( u4 u, I% u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。
& x3 W' ^* F8 y4 l; n效果非常好。

0 ^9 o; R2 w; }0 ~& Wdeepseek，qwen，chatgpt 三个，deepseek是最好的。
; R# Q2 T/ @' ]9 x. [# l% d
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。
  b2 L4 ^- l2 F& q# V我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
2 y% }% _) D3 s, z/ b
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

$ Q/ `0 u4 W! e" q/ I- C# 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
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 ...

3 n8 a2 b9 Y1 P+ O: d. k8 Z% @$ F& U细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
3 o& o( u" V! `  n细说一下，听上去很不错，多谢。

% C3 T/ c. b1 u& H- n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

/ j: K- m- K4 x, l; M已经搞定.

4 c# C8 w; R0 s+ p3 }首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
4 O# s- t0 q" Y( Z0 W& E
1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

  _6 _, K2 d2 T/ \5 b$ f) |得到text file

3 P+ D2 X+ b4 V2 ]( L) ]+ N0 ~3, python 读取整个outputfile，丢给deepseek 矫正。

: }6 b- f  c$ u模型是 deepseek-chat

( l7 k3 @. z- D+ v2 d: }$ k; Wmax_tokens 最大是 8192，别的不用改。
$ Q- M4 Y8 \0 }( L
3 K3 {$ n9 t# X" r; C) ]% S参考：
https://api-docs.deepseek.com/api/create-chat-completion

5 n5 v- q& @( u) o9 O, b' S4，费用：

# Y) K, y. G9 C实测：
* U) I1 Q4 P$ z$ m
' P! L1 j, S$ v& Y6 ^296K 字母，用了 9 美分。

! m1 i9 ^: o9 o0 M8 r# C英文字母 到 token 用量大约 1/3
9 u- g( v0 w  }/ {$ n; G+ J
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

* e+ b! h" s0 d- O0 J6 W% i价钱，非常非常便宜了。
* N) o( n3 G5 p7 I2 j' s
参考如下可以计算，懒得算了。
# A9 X( L, @, j4 P- N9 K3 a1 Q; f
; F; ?% G' d/ phttps://api-docs.deepseek.com/quick_start/pricing
- R3 Y/ q9 G, `+ o- U: y; s
, r9 B, I8 Z& [* A; D" |* p1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
$ m% W' I' O: ?1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
0 K4 s8 S% o% P+ \" W1M TOKENS OUTPUT(5)                                              $1.10                $2.19
! @# E" F2 x7 y  C
5, Balance
% H! H" K9 o9 D1 m
) ~9 y' p4 S; f0 v可以在程序里调用，知道每次运行结束后，balance还剩多少。
: D2 t- C9 u& x3 v! ?6 `* Y6 o参考：
, P6 ?  w) W3 J6 C  uhttps://api-docs.deepseek.com/api/get-user-balance

6, Models

' E  {! H: r! b- Q目前就两个
1 q+ O, n5 M& ?* K' i) \: Q# deepseek-chat
; A; N. |  l; ]$ P+ s8 h, L# deepseek-reasoner
$ q) U4 X1 i* W/ |+ |- i
参考：
5 N! e8 ^9 t2 Z3 B0 Uhttps://api-docs.deepseek.com/api/list-models


7, 问题
3 F( U/ ]3 e  q8 t
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。
3 b; p5 z. f( d+ n" U& I
# [$ x/ Q6 T# A7 O% \7 o8, 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。
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。
3 o2 n* U- q' j  N$ G' Y
! M. N9 N7 ^* h: u
, u1 L/ S6 Z( d0 U) [