利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

/ K- u: @* [1 F
把PDF上传，然后让他抓取文字，并修改可能的错误。
% u2 S6 x7 W9 m0 o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。
) \- r. B% o& m) s我要疯掉了！
4 T/ T: S/ d2 l8 ?! @* q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！
====
中文也很完美。
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。
; J- v& \$ x% v/ a) i====
第二次疯掉了！
! T1 s4 X9 }. Y& f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。
4 l1 ~' v* B$ k1 v- q4 F====
3 K7 t- H4 F/ N/ u; 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。
好吧，我五体投地，继续探索。
, I% s+ y- S1 a0 `: u====
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。
# W) ]& J& v) P" x) Z9 a====
; @4 t& j" @( G2 v7 q. L好吧，有些东西是不给翻译的，哈哈。
& [8 \- g/ d7 Q# H# y
7 S3 @0 Z* i: i. RSorry, that's beyond my current scope. Let’s talk about something else.
" D  C2 B  L, Z3 b# E3 p1 O====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
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。
3 v4 a. u# N5 k8 \) ]  ?: d+ E====
时间段的话，北京时间的下午和晚上用比较好。
! N: o# ~7 w( r  }! `4 G后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
/ y" c/ T5 K; x# F) U- l. d( B# Z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。


" ?8 s+ ?% b( _- w% P& t
0 R& [7 O) a- U# O8 _% `

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

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
. Q' I: U8 i  @& |- o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

还有把古文翻译成现代白话
" w' _! p4 n0 J0 S
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？
" _1 r* n5 C8 r
" Y/ y/ v9 B  ^! J+ q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？
0 {% k$ t- I. f
' W3 I! J/ B- p. i" 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 ...

: }0 P& S% y% t4 i
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。
$ `8 l! v+ ^( D- g# S8 D* J; Y" X文字之类的没问题。估计deepseek现在暂时只保证主要功能。
! Z# j' L. A) G/ e/ B& ?$ }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
1 z4 P' C+ Z6 x! A请教是如何实现的？
  Z- T; q3 }5 J9 X' a
. @9 |9 R" g* [: Y0 p9 b* H# 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 ...

https://chat.qwenlm.ai/
9 H$ m) O" H5 x, U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。
( e8 U1 g7 m1 V  v* \$ Q. i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 [# z9 i' s2 ^- X# V4 `+ lhttps://github.com/oomol-lab/pdf-craft

- r4 b' P- e- }2 K: E) s1. 这个工具要求装 python3.10
; M2 p+ b8 ]/ T) e& }  n$ k! n7 ?  P2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
; @. m- t' j- f3 ^4. 把下面的内容写到一个文件里，例如 a.py
3 m$ ]% n6 W8 w0 S' `' I
+ r1 a/ h6 i" R' Q

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   / g2 B( I! D. Z+ M, }
2. 
   
3. extractor = PDFPageExtractor(
   8 n* s  G' N( I$ j
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   . A% k* L- F. z/ I. M$ ?8 G7 ^
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ( Z+ }9 E+ L, x% Y& N8 G) V
6. )
   1 c$ X; i5 i2 U/ H0 c/ q8 C2 o+ ~
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   2 \1 C3 P. w* N( l; F% O
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   * k" k0 K" X* o2 x0 d( T  {$ Z; c
9.     md.write(block)

复制代码

# A8 C/ l1 o# B& h% |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
% ^  ^* \9 Z& q) {4.2 markdown_path：输出的 markdown 路径文件名
; ?$ r1 @/ R# k& ^1 k! }4.3 /path/to/pdf/file: 输入的源PDF路径文件名

$ i- o# ?% \9 ~9 C" Q  X9 _" ]9 {5. 运行 python3 a.py

nanimarcus

1 p: p. h# ]' z2 T" I2 |# i2 F3 I
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。
然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
5 r( t0 g, O7 P; o/ Y
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。
% W- W7 y: {8 P我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

7 x* [% S/ n8 ]1 H2 NAPI到目前为止，差强人意，不如网页版本修得干净。

! T) ^! g8 B$ M$ pdeepseek可以同时开四个。
8 e7 v5 ~* u8 ?& T9 l8 g. U

三力思

, s' k( [% a1 d6 W% v& G+ ~
+ u1 e( b: D# }; W" ]1 l. ~) u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
; n( ^/ i$ b1 j" G) q- o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 ...

. a  O* y+ a! @细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
) `" ?( l1 n' \4 U7 x% l! B细说一下，听上去很不错，多谢。

* }& e3 n# N  e7 h5 ~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

2 V0 q" N4 Q5 x8 V) e2 I# @已经搞定.
- j# ~2 F9 y: M! ?1 g0 p: T7 d
0 m. U5 A+ `& s  {) k5 G5 o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

% E, A/ f6 t. v/ U# W2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
( U2 [: x3 q, o; {, e
+ z" c( O6 G% s# U# S得到text file
4 y# I3 ^6 c4 ]! J3 A) Z
3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
' {  ^6 s% C  B# I- j7 j
1 k9 v4 ^" Q" u! c/ \2 x" tmax_tokens 最大是 8192，别的不用改。
4 e  W! q+ N* }0 L
参考：
https://api-docs.deepseek.com/api/create-chat-completion
0 H$ D% Q, `7 I* p
4，费用：

实测：
& o9 g& _/ d: G( E
) D6 v! ]+ `3 w% b296K 字母，用了 9 美分。
# z3 T# v) w8 S5 f2 ?( x
) G; d4 g8 v7 W$ P3 T英文字母 到 token 用量大约 1/3

  D+ Y) ]. s" M1 _0 K. Itokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
  ^4 v' u# Y) T& T3 @2 E& D: z3 P
9 _9 ^4 Q% X9 D+ R( I- E* E9 Z" ~32899 个字母花费 11782 tokens，包含输入输出的 tokens
$ E/ g; B1 i7 B2 i  [# s0 R
价钱，非常非常便宜了。
) t9 ?/ B7 [& K# V9 b
参考如下可以计算，懒得算了。
) B+ X  h: v) E8 _0 S6 l- N
& @6 `* H" n* e$ ~https://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
- Y' s; [  W# a& [2 M# u1 w1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
% t8 r8 a: M2 P7 Q/ Q# T1 {0 Y; @# ~" E1M TOKENS OUTPUT(5)                                              $1.10                $2.19
1 c2 F4 `( g) t0 J
5, Balance

' B8 U4 V+ X9 @  F+ @8 c) |可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
8 o# m% Y5 [) `https://api-docs.deepseek.com/api/get-user-balance
( i5 [2 k  P7 ]5 e6 \; g
& R# H, z' R: }+ P) v- s6, Models

目前就两个
2 Q/ X: f; a1 R+ }. j2 I# deepseek-chat
# deepseek-reasoner
) i( ]- L+ A' ?; ?2 w$ c
& D- w: z+ `, f参考：
: q' A* h! Y. ~% v+ \1 E8 rhttps://api-docs.deepseek.com/api/list-models


: t7 T6 X/ S9 ]7 K6 H8 Q7, 问题
, g: l! K$ Z6 A: P: |9 j: `
; j+ j5 S6 y; Ideepseek 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。
" c; L/ D# A3 R6 ~# A( M6 E. K
8, 钱说了算。
& Y) x. r" B4 ]$ d2 N% r4 Z
+ L: U# _6 }# |5 ]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。
: B+ g# r+ Q5 b! o但是API就不会出现这种情况，毕竟我们给钱了。
! t5 b) _7 b5 L' R3 `+ ichatgpt也是这样的。


* o% d, f- R. Y, n