利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

6 d3 I7 r1 X3 P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。
( x1 [3 {8 R) E8 b. `3 p. F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！
/ u9 {2 u. C$ h====
7 X1 Q7 q: d* }) k/ T, n中文也很完美。
0 E) x# q  B1 O( b经验值，每次十页比较稳定。
现在我这里API还不能用，等恢复了，全自动了。
====
第二次疯掉了！
% H/ {& ]+ e+ g* ^5 H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。
====
+ t* Z5 \& z. Y1 H1 C1 F  Y' d: e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。
6 V3 j  V. i( T' B4 l+ w# b5 n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。
  J: W# ^  g1 v# u0 _====
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。
1 p1 d# n8 B% Y% F) S5 n* t  G$ T/ r====
( _, i# P- i# a+ ?7 t0 m好吧，有些东西是不给翻译的，哈哈。
$ ^/ `  l9 x* V7 A4 q# {9 @( g0 {3 U
Sorry, that's beyond my current scope. Let’s talk about something else.
====
& e3 q0 x) e5 m% Q! ?- e) D) J然后我的英文命令也让deepseek 帮我修改，呵呵。
! ]- [) @0 m0 d+ V/ 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。
====
# e. P  u  [2 V  E5 g, n' a" {时间段的话，北京时间的下午和晚上用比较好。
7 F. y! g: ]1 }! K# \后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。
5 V6 c/ F6 a9 _1 k) o; R! k
7 M8 x( H# B8 J. e" U

$ T2 B% z4 C, l% r( e- @0 _

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
- c& w7 t$ W* f: }% T% d这功能很赞呀

; i( d: ~) D4 s3 c2 q# p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

以后让deepseek 读出土的竹简

1 ]# U$ L0 z' l0 b& r  L! C还有把古文翻译成现代白话
  B2 Q) }" F# I; a' _7 S& d
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 B' I5 H4 E2 z4 n5 c; G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 ...

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。
/ h! @- K7 Q* s- v* P" w% h# I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。
8 Q6 X- j6 E; ]! i

nanimarcus

方恨少 发表于 2025-2-3 01:23
. W/ J6 W1 s9 U请教是如何实现的？

3 T  E5 w8 E0 p5 W  N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 ...

- |: M# l! q' F0 khttps://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。
" v* p* G! W* K3 D: s& b很稳定，质量不错，好像最多一次处理15页。
6 l( b+ [( }3 J6 }+ |7 U0 O' 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。
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。
, F6 v4 D5 z, `8 h$ I8 P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 n/ f+ a9 G; Ohttps://github.com/oomol-lab/pdf-craft

4 G6 k3 p6 X" z& X+ ~  X1. 这个工具要求装 python3.10
( A/ }1 U; O' a( v. l' x" O/ W2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
! s9 V8 x. ^* J5 s' }( Q4 m; b' {3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   4 @, k9 D: R+ G. T* \. m
2. 
   8 \& Y4 ~* Q% C* L/ b
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   4 A/ v7 h, _7 E# W% n- D' b" ^
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   / K+ z8 Q1 {: o- D  C7 {+ U
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   # n* Z7 ~& |0 t8 \! m, J; N. P
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

4 \3 u8 R" R$ y7 _
( S' z) N8 T: i  p3 k要修改的内容：
2 h( p4 c  o; k* \/ ~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
9 ]3 X) Y; h) q% ]$ ^8 a# `( M4 K2 e4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

; f3 f; `& h2 D. I+ |: V- z/ B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。
( n6 E! r( w  e& i然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

$ W0 y6 A1 C  S  @  G+ ^deepseek，qwen，chatgpt 三个，deepseek是最好的。

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。
, }' i) |* O4 w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。
$ X4 Q" z' g/ M/ e8 T" K0 h
. ^9 m& a/ s) q6 C' oAPI到目前为止，差强人意，不如网页版本修得干净。
! ^  V; H5 ~9 V) h) S
. I  i# C3 c5 v3 P1 G5 c# b! B" K- {deepseek可以同时开四个。
, h" `' G. N% |7 _/ j# V

三力思

4 B, t! _1 D+ G9 @* |3 T: @
5 k, i5 I7 z3 |, d# Z6 B2 v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
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

8 A1 Y6 S( H% }# {2 J已经搞定.

* A5 M& b$ C* H- s首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
) q6 o5 b. [0 O! ]
' P# }  P* s/ E8 W0 n1, python + pypdf 按章节拆分小的PDF
. ^; H. T- N8 S0 L
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
& f/ j4 G$ w9 |
4 W* K, {. l9 e; ~2 R得到text file

$ P+ d& A- |7 Y1 {" n3, python 读取整个outputfile，丢给deepseek 矫正。
0 \% ]9 S) J& ~7 ]6 ^: M
模型是 deepseek-chat

  S- K& Q5 m' n. U$ wmax_tokens 最大是 8192，别的不用改。

参考：
1 z& U& @% v4 G. Z( [6 \) Hhttps://api-docs.deepseek.com/api/create-chat-completion

1 h! e5 j0 ^9 O* g4，费用：
: Z- Y8 K. N+ G" N* S6 C
实测：

/ s8 ~5 t) ]' I" @5 W  L296K 字母，用了 9 美分。

, W- M7 \- B0 B" q6 w& a( C/ J9 E4 V3 O英文字母 到 token 用量大约 1/3
4 x. Y. c8 C, b7 G; D( ?
5 Y2 i8 C; M. r$ b( c$ J2 |tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
( i0 X1 ^/ l; P) j: G- t. b7 y" _
9 ]/ u  k3 A% x) _) L+ f32899 个字母花费 11782 tokens，包含输入输出的 tokens

. U( j5 \  M, `价钱，非常非常便宜了。
6 W. `7 c) a( U4 ?  k% x$ w
参考如下可以计算，懒得算了。
; `3 |" {! g3 f8 {
https://api-docs.deepseek.com/quick_start/pricing
- \8 ]; O4 w+ i9 O
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
: a$ B% K8 M0 t1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
. }) b8 q! h+ Z! h# t5 b+ Q1M TOKENS OUTPUT(5)                                              $1.10                $2.19

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：
0 D, k, W; i% Z5 C5 ?https://api-docs.deepseek.com/api/get-user-balance
1 @! [5 m: Z* g$ _4 h
/ x# {8 F6 t$ r+ u) ]1 ]6, Models

目前就两个
# deepseek-chat
# deepseek-reasoner

参考：
% K* o. W0 M- @; e( p9 B" A& S, }# nhttps://api-docs.deepseek.com/api/list-models
4 p$ t3 ^- Q( s% m

/ q# K$ l/ B0 }* U" c+ f7, 问题
2 D. c2 W+ y. W- D! A  O$ U8 E
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。

8, 钱说了算。

( n. i3 T  R6 T* J3 M- edeepseek 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。
6 o/ @7 v, J/ M' `. achatgpt也是这样的。

3 t- W: d* D2 Z+ N
, W3 G5 J) N& t6 D: ]  Y$ S