利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

' ]. N1 ?2 i# Q. t: S& ^" n; V
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。
2 ~  M/ ]8 G8 _$ o段落清楚，列清楚，页眉页脚全部去掉。
2 b! g" m* L$ h# b8 }; U. H我要疯掉了！
% k8 q: l' Z6 J' V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！
====
2 f, X; d; y) H; Z- I- O+ k中文也很完美。
经验值，每次十页比较稳定。
+ M0 @5 O; Y' i现在我这里API还不能用，等恢复了，全自动了。
# x+ y) U8 X$ ^$ O: 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。
====
" ~9 z: H( [  y* 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。
" {" G* p2 N, s4 L& a好吧，我五体投地，继续探索。
& Z' ?+ c6 [7 f0 @====
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。

2 L$ j# I$ ], h0 w7 x, ~! T/ lSorry, that's beyond my current scope. Let’s talk about something else.
====
/ u- l* z, n5 ]然后我的英文命令也让deepseek 帮我修改，呵呵。
. S$ _% T# {5 V7 V6 a====
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。
& {, Y# Y  c, H) L后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
9 T4 {' ^" p/ }! q2 z1 Q====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
! V: d6 n/ m# L  W====
Deepseek，API 看上去可用了，但是不给充钱。

. M8 E& B$ R, J1 _; p

) `& _4 U" y$ W  C/ \6 [

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
6 m% d* {& G  X$ n; i8 }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
2 @: L" j0 g( t, [有没有上传整本书试试

/ I$ a% H/ b  y0 W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

" c9 F2 X0 b) f5 C% R% V以后让deepseek 读出土的竹简
2 K! l3 l/ `, p- P8 U# F1 `/ k9 S
% Y- b+ _; g4 R+ l2 J' l. P2 P还有把古文翻译成现代白话
& f3 D& v3 |( y) g4 h
4 i( u: s* ?1 M8 g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
- y# x' B. z! ^9 R' @8 i请教是如何实现的？
5 Z/ k" @' e/ J) z9 _+ W/ [" b$ k9 H
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 ...

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。
! x% m+ U2 e* U2 d- W6 H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？
" U8 ^- p+ h9 O/ v, M
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% _5 h- J/ V' k' |! X7 Yhttps://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。
) R" Q# h8 K& 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。
* o! U' |! k! Z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 W! n  ~7 lhttps://github.com/oomol-lab/pdf-craft
# c+ b- ^; K) A2 n0 [. X5 C
& d+ N2 U2 w4 t6 Z/ a( D4 Q0 u0 l1. 这个工具要求装 python3.10
' T  ?- e% S* J7 n  z4 _  A2 L2. 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

2 X! g( v: c  Y

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   9 C9 ^0 Z' j$ A
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   2 L5 g. D: X8 h& n
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   8 {% C# y; j  L. }' Q
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
     ~' T4 h1 o, T4 Q* K* \
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   6 u$ L; Y- L) n, g( U+ N& L
9.     md.write(block)

复制代码

- R6 E3 |- a; @0 P" Q9 Y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
# e+ b1 i3 H5 |  V! T" f4.2 markdown_path：输出的 markdown 路径文件名
' ?3 X$ R% x) b" [  o4.3 /path/to/pdf/file: 输入的源PDF路径文件名
, X! t8 K4 v) l7 k; V, [9 @
5. 运行 python3 a.py

nanimarcus

: H2 \2 s9 I! z) s) L" N目前为止PDF转纯文字的最佳办法。
1 m8 w) [9 F, [先写个小程序，把PDF按章节切成小的PDF。
. p& s  a* Z/ |2 @* t/ [# h6 q然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
0 F) r0 u8 v  i" U6 g6 F效果非常好。
5 N1 C: C& `! A2 `) J+ t+ [- _
deepseek，qwen，chatgpt 三个，deepseek是最好的。

% S8 l4 R4 x# w6 ^% sdeepseek 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。
1 \) J% l% ?' i8 M' g- ]* Y7 X$ v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。
1 u: M1 L4 J" G' j9 [+ T我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

2 d# K: a6 ~1 X. I! N& lAPI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

" F* W) ]6 R# A5 N7 _6 J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 ...

细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
0 w# A  W$ V3 l# T细说一下，听上去很不错，多谢。

% k, c7 V4 J* o1 D) U; k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

( Q- h4 t7 b. ^3 M2 R7 G已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

' k+ J7 s- [0 V  H% g' y1, python + pypdf 按章节拆分小的PDF

6 Q7 h+ ]; }. p2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
: }1 @! H3 b2 `8 Z1 J8 V3 J
得到text file

. j3 x( s: L; w5 ~2 w3, python 读取整个outputfile，丢给deepseek 矫正。
( h: E  M5 b) ?0 e; r- X
6 K, y: Y' l% w7 d3 R+ v模型是 deepseek-chat
3 B) {3 U0 w& |" V! _
max_tokens 最大是 8192，别的不用改。
7 u! I+ p: P6 q9 ^0 q! h
参考：
& i) O- Z: u  F2 @: ihttps://api-docs.deepseek.com/api/create-chat-completion

4，费用：

实测：

, w1 f" i  N% v8 Y4 m+ {) u296K 字母，用了 9 美分。
4 `7 g) ?8 ^  u8 h. d/ e8 ~) w
英文字母 到 token 用量大约 1/3

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

2 Q" A1 X  @! K: S6 _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。
2 _' @! C1 X  v/ s
参考如下可以计算，懒得算了。
. G  a, k3 q3 ]& l# v3 \
, ]/ t( l- C4 _8 C0 N; h, Thttps://api-docs.deepseek.com/quick_start/pricing

6 K8 B! q7 G, V) {  Y% m1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1 J5 y, ~# g' }" z- ?4 }9 y6 E1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
1 e* N! A- X/ D' R+ l
' N, C# `. a  ~. S5 M5 Y$ h可以在程序里调用，知道每次运行结束后，balance还剩多少。
, }" B) O7 J  A: L% I6 b参考：
6 S5 Y" q+ Q6 @3 Ehttps://api-docs.deepseek.com/api/get-user-balance
( @, T3 ~6 L4 {7 |, R/ i# c
6, Models
5 V/ ?+ B: q3 r& f8 [: Y, f, v2 o! r
目前就两个
# deepseek-chat
/ R1 H' F& b$ |; d0 D) S# deepseek-reasoner
& o+ ]% \; [- t6 x. g
+ y: ]1 o, r$ R" ]参考：
. L- a. t' @( U& b1 q5 v7 Xhttps://api-docs.deepseek.com/api/list-models

* t. b: p/ F( y7 Z' F& A1 N
7 B2 m0 x) F) S* S2 H" x4 K' J7, 问题

deepseek 会将前后两段合成一段。
9 d/ l8 K3 w( J# k# r特别是那种大量的对话的段落，deepseek会给你合成一大段。

8, 钱说了算。
3 l+ y9 E3 }# S7 }* h
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。
# l$ C& W  e1 U/ A& I9 B2 @chatgpt也是这样的。
5 P" u. M/ l" K8 j7 D& d$ [

) a+ p& l0 S& E