利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

5 N6 B/ v: Q9 o$ C5 p( U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。
段落清楚，列清楚，页眉页脚全部去掉。
" t' I# R" [7 Q# L6 b- n* Z我要疯掉了！
* m! A' Y$ L4 F8 u; a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！
6 C2 y4 @* U$ l. f& \! H1 J* X====
中文也很完美。
6 ^3 c; J! f+ Y9 h1 i- B7 u% U7 O% L+ y经验值，每次十页比较稳定。
: b# L* s. G5 M# j: H, D2 X现在我这里API还不能用，等恢复了，全自动了。
* N/ z( g# D( h4 Z====
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。
2 R, w: D$ ~/ ?2 f( S$ W% ]) M; m====
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。
: I! t5 v. N( a) t/ Q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。
====
/ N' s3 A# e& X2 C/ H! n好吧，有些东西是不给翻译的，哈哈。

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。
/ E& ^; ]: O( U; q5 t0 u+ z====
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。
9 h/ P+ Q! \4 c3 m5 {, Y====
时间段的话，北京时间的下午和晚上用比较好。
! {/ e3 Q  _# a5 b' z后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
( B0 W1 Q/ e/ |7 l用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
, N4 B7 i3 L0 [$ G* D- aDeepseek，API 看上去可用了，但是不给充钱。


# q2 ^( N4 n) z, g7 d

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
  r) G" P& o9 L' F9 s( X: B. w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
0 n. w. D* X6 A6 e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

& H/ N+ S5 P( {9 g) \+ E* M
) _4 m( p0 ^1 {8 I! f以后让deepseek 读出土的竹简
  x* T% l1 N0 T0 w( J9 l+ ^3 T
  g! t7 R8 t, U# P还有把古文翻译成现代白话
- t8 Z) T/ o6 g: J, V$ x
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？
7 F) z" y, B" J3 m
3 T/ j, P0 k& D5 T/ e2 x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
1 G" Z) C# t. Y$ |) \/ }请教是如何实现的？

) T. @1 b2 q" I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 ...

* [* V! ~/ W/ Q0 h' T% _! J
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。
& V0 Z! T1 J$ T1 m4 \文字之类的没问题。估计deepseek现在暂时只保证主要功能。
- D+ P+ ]* ]* n4 P6 B; n5 ~8 I8 L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。
  t& \% K( f+ a+ ^& f

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
2 J; N: E0 [6 z' B; p
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。
! [- M/ Y: |, M5 U$ S6 _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”。

https://github.com/oomol-lab/pdf-craft

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 d- n1 S" F$ r3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
7 T' O8 E; n6 S
1 j' }% D/ w1 f* j% c% j( d

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   3 \$ ?5 X0 M$ @; r
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   8 }' I6 i% C: V6 l$ m" b  `
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   " S1 d: h( o7 g3 s4 t" @
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

* u. R9 N" S$ V$ _) Q7 O要修改的内容：
" u( g* l, H0 M* D. S0 V- O4.1 /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
0 ]+ T$ x0 e2 G2 I$ C. i4.2 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
# B; y" l* u: Y5 z% v9 d
5. 运行 python3 a.py

nanimarcus

+ M! R! \+ ^, L, E- {
目前为止PDF转纯文字的最佳办法。
$ ~2 {( r! I$ j4 R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。
$ ~5 {. J  w" g2 H效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
7 c8 v  Y. s- w- P: R/ W
* N2 @7 {7 `4 c0 T' h$ Qdeepseek 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。
9 Q1 c8 x' c; F
API到目前为止，差强人意，不如网页版本修得干净。

1 Q) M0 h" G! q$ X( hdeepseek可以同时开四个。

三力思

* P+ W4 y2 C; ~0 |( O( 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 ...

- E0 E+ |: ]0 u8 J2 A' ?* g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

/ J/ ]7 D9 w& u9 t' r5 H! I
已经搞定.
! v" U0 k6 p5 z& E, x. `) \: w# @
! s" o# y' }1 j  l首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

1, python + pypdf 按章节拆分小的PDF

! _. b* p; o/ _, N2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
$ c* g8 K/ ?7 f) {5 ?6 D" v
% ]5 j: Z4 T. T得到text file

+ @# J5 Y* U& A) s* U+ `! Z3, python 读取整个outputfile，丢给deepseek 矫正。
% s- U) n; j3 d8 `5 U; o
模型是 deepseek-chat
; R9 m" }* R+ C; |5 v$ s- b
max_tokens 最大是 8192，别的不用改。
  ?, A) [) t7 I+ [4 H
参考：
% E+ e  r; C  Z' M+ b; A$ Rhttps://api-docs.deepseek.com/api/create-chat-completion

4，费用：
; [! `) ?, I  s
实测：

. Z0 O7 Q+ _( C( o! x296K 字母，用了 9 美分。
7 k1 _. i7 L5 C2 e& h; s
英文字母 到 token 用量大约 1/3

( C) p- d9 n3 ~% l( ztokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
1 K/ k9 K8 u' D9 W* k
& |4 t9 o/ o9 Y1 E0 i9 r32899 个字母花费 11782 tokens，包含输入输出的 tokens

- x/ B6 M6 T) Y! G+ V% c7 K3 l价钱，非常非常便宜了。
5 y% P. ~  m$ J8 ~" Z# e
参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
9 _2 E7 w% M1 _) B; T' h  d
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
6 Y0 o2 A& K+ t/ [8 w# W! W& I1M TOKENS OUTPUT(5)                                              $1.10                $2.19
& m* j" y' I5 E& h( p
& p+ Z+ Y4 |( R3 H. g5, Balance

2 \# _6 W+ S2 q. Y' j% p; X可以在程序里调用，知道每次运行结束后，balance还剩多少。
- ^! T9 o1 N2 Z/ `8 [& S4 Q参考：
/ d) G) R/ B7 G3 {# C7 B3 [https://api-docs.deepseek.com/api/get-user-balance

6, Models

目前就两个
# deepseek-chat
  U. A# ?4 V0 }7 {# deepseek-reasoner

参考：
/ c  |. g( M# z) ^- v2 `- whttps://api-docs.deepseek.com/api/list-models
/ y. i" |# b/ z: R4 D; x
" ~0 k$ w  o/ j9 z* N% {* d
7, 问题
/ q; N4 A+ ]2 j0 Z
% }( `3 |$ j! Z4 W+ z$ F' qdeepseek 会将前后两段合成一段。
$ Z6 |' ]6 ^. k4 C特别是那种大量的对话的段落，deepseek会给你合成一大段。
9 z* X2 f  N# U$ E
3 L6 m" M3 |- F* u6 t8, 钱说了算。

( Z9 I  W  T, G) u" }# cdeepseek 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。
( z  y6 o0 Q- E' }chatgpt也是这样的。