利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

# q- }1 s" |( p0 e
9 o& ?- ]( r$ ?* Z7 \: y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。
" R- q: w4 R4 O5 a9 H$ l段落清楚，列清楚，页眉页脚全部去掉。
2 d7 S% F. y. A, w我要疯掉了！
) O, p: l5 E- m7 ]. O9 O* U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！
====
) X& g/ _4 Z" ^中文也很完美。
经验值，每次十页比较稳定。
+ t6 N# ~$ j- b, _3 w2 P0 f0 r现在我这里API还不能用，等恢复了，全自动了。
) X' `7 m/ s  E* l& H5 O" M. d====
: j; M) x' W, q- I0 X2 O6 O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。
- m2 l' A  G* n) A# ]====
, _0 i3 X7 D2 v6 m/ _( R( T: d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。
1 K; S' ?0 v# z5 y! }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。
8 i( x, w, g3 w5 Q0 n6 ]
% [8 W6 C! m, |  LSorry, that's beyond my current scope. Let’s talk about something else.
/ H8 K7 ^; B/ l9 b====
' N+ I$ }9 Q/ t5 T* A然后我的英文命令也让deepseek 帮我修改，呵呵。
- @5 t' h4 C: ^" 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。
- Z( V. T+ w' A" y# G) k4 x后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
" d9 I; M+ l9 m- u====
用千问吧，非常稳定，非常强大。
4 t0 o% j2 L# Xhttps://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。

. a( C7 l6 z8 o8 B9 G7 _9 {1 p* l
6 b4 [; i$ b& R5 _
6 {( T+ ~/ f$ \) n5 ~$ x) o3 b

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

- a' q/ v9 ]2 y! u  U( W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

& X4 u- F. F+ w' Y* U! r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

以后让deepseek 读出土的竹简

还有把古文翻译成现代白话
, |; i9 d5 t6 o3 u/ Z
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？
$ c; X2 d' a, f# l
8 G% a2 S+ C. o4 Z8 ?/ Z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？

6 c% a2 t9 _% ~, ]6 k/ 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 w5 h5 t& Q5 m. J6 ?
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
  z! r$ O0 k6 k5 U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。
, c1 B& V5 Y6 A7 ?! ?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。
9 u& h: L9 q. l3 K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 Z7 R7 r7 z$ f# i/ W6 {) Z
https://github.com/oomol-lab/pdf-craft
* n2 i7 p9 L, J# t2 k: z
1. 这个工具要求装 python3.10
% v- T' m' [! j4 w  J% b8 f6 z2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
) z  u; |5 l8 h( T4 H3. pip install pdf-craft
0 m8 z2 z- o9 A  w' E! T4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   ' h7 y* M" q* m* s: f
3. extractor = PDFPageExtractor(
   ; p& \' ~2 c2 S& S9 m7 H- P
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   . x0 l% @' d5 l' _0 t
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   0 @. t/ n! k' X) r' f& p
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   0 g4 Y; P$ m1 o- X8 W
9.     md.write(block)

复制代码

& Z9 W, L' r% J/ q) ^; ~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
1 r1 O& H# f# @( }1 {  d. `& T4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

* p. Q$ M% t1 ^& `+ L$ Q2 r, _$ t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。
6 v$ M: c5 s, ^然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
6 {. L5 V8 @' a( h  z  q效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
. W6 y8 ^3 G/ F
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。
' @) o8 G% q! A1 a2 K3 E0 }我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
! d$ ~, f9 E6 g/ D( \
API到目前为止，差强人意，不如网页版本修得干净。
' J( e' p* B6 f; @6 `
deepseek可以同时开四个。

三力思

5 p  D! {. J/ p" O' ]& j0 u9 X, j7 e
1 o0 ?$ l7 D+ o5 Y8 R% g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 ...

6 R: {% ^1 R, u# ?. a$ x# i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。

9 O: J! B/ N; [1 {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.

3 W+ F# K' o# e首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

; d8 ^; c2 B% H) L& n! q/ M1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
4 t: O0 k& R1 l3 Y3 j: r
2 X# w/ ?: n* Z% p得到text file

/ W+ u: A+ p9 p: x& m3, python 读取整个outputfile，丢给deepseek 矫正。
0 o# q2 I! c; f7 ?- s4 N8 l
) w, Y* n, [& U6 V% X% X1 h模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
3 r( b2 D/ L. M
参考：
' x3 J3 p2 i$ s' v( p9 f: |1 Zhttps://api-docs.deepseek.com/api/create-chat-completion
8 a) K- g, b( a5 r+ [/ R: R
4，费用：
& g+ z' f7 g, H0 S
3 i! M2 W" w6 [3 w+ ?实测：
3 I$ [$ Y( m( s+ [1 z8 o! M
" e0 y0 t  `9 m' c( y0 l5 S7 l1 R296K 字母，用了 9 美分。
- ?1 f7 o6 L9 }2 `4 K
英文字母 到 token 用量大约 1/3
+ f) D" j1 H1 l# s% X# F% ~& X
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
8 l8 {2 Y0 D" g, p* {, ]
3 @/ X+ N0 c( e' A  B( F6 J3 ]7 X32899 个字母花费 11782 tokens，包含输入输出的 tokens
8 {* i! w7 r. J/ u; ~
价钱，非常非常便宜了。

# d, R* }! N( @0 ^9 I. u5 d0 K0 Z参考如下可以计算，懒得算了。

6 h0 p) k1 D& ~! Qhttps://api-docs.deepseek.com/quick_start/pricing
; I. a3 u9 h" \; |/ ~6 p
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
0 ?( P0 k8 G. z" g8 @1M TOKENS OUTPUT(5)                                              $1.10                $2.19
- c" R" z) M* v3 Z$ k+ s: V
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

8 j5 S: A# v' S6 B9 y6, Models

目前就两个
' ^( X4 `) {. y$ ]# deepseek-chat
  Z; w/ U$ c: O* V# deepseek-reasoner

参考：
  E& ^* F" m8 Z. q7 ~! z1 |, Ihttps://api-docs.deepseek.com/api/list-models


5 z* [# v- X: r% b: b7, 问题
$ \$ H1 o, l/ H( l) {1 Y
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。
/ q) U, h8 S+ p
8, 钱说了算。
! u, d0 _" ?% t4 ]% T
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。
/ D/ C$ s" E7 W但是API就不会出现这种情况，毕竟我们给钱了。
! @) R. Y( V! x3 v! J, Rchatgpt也是这样的。
+ n5 K# i. P, `& ]; F0 ?% T
- ]2 m4 W2 v- G% [
4 m$ n/ {& c0 A