利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

! c$ U5 ]  Q, I5 P! `! e
) Y/ m# G4 y/ I) S4 v+ ~# B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。
# }9 g3 Y. G: r7 k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！
% Y+ P' [5 A7 e5 v5 a====
/ P, L. G1 r/ U" a中文也很完美。
  q5 b0 Y# f( h1 D0 w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！
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。
& j5 L5 L# C( k# B! L====
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。
$ c% {. c7 [0 j( V$ l好吧，我五体投地，继续探索。
====
* v; A% e9 i) S. A" L: x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。
5 {5 ?3 E% n$ S' s" j# }====
6 T) ]4 ~0 X) `* b) E. {好吧，有些东西是不给翻译的，哈哈。
; P( C7 |) K& Q
4 G4 W6 T, `$ v( _: ^* G- H+ ISorry, that's beyond my current scope. Let’s talk about something else.
1 I) c/ }4 C& R  ~( ]% X: h====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
2 @, l; L" f6 P, _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。
5 X: b' I) g# F+ e; X3 e, h2 N/ _' |====
时间段的话，北京时间的下午和晚上用比较好。
0 U8 |; j1 _+ z( @1 ~后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
6 K. S5 j, G: z: \* S====
用千问吧，非常稳定，非常强大。
, x6 l$ q4 M6 N8 e2 v- z' Hhttps://chat.qwenlm.ai/
8 p  H5 d4 b  z. W====
. k5 ^+ K. ]  L: v5 H5 CDeepseek，API 看上去可用了，但是不给充钱。

; A+ x) T! {5 a/ E
, e3 T3 n: v! l9 _& R/ k% n" g/ l

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
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

$ d; J5 ~) H) p% a: l" @. {3 ?
以后让deepseek 读出土的竹简

' L& k9 N0 a& J* Z% K/ L& l还有把古文翻译成现代白话
% Z! u) k9 @- w8 g) d! R  e
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？

! Z/ ]( N! a+ u: ?+ d8 c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？
. L& G$ y0 K+ b0 A8 a
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 ...

6 P; K- D, o  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。
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。
: j* L: `8 R. M8 r$ Z0 K/ @, T

nanimarcus

方恨少 发表于 2025-2-3 01:23
) T( O9 _) w, w2 P! X0 {. P. T请教是如何实现的？

8 ~0 s" U. V! Q2 h0 ?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。
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 I  \$ L% ]% o! L: G/ M% a
, @7 K, y6 ]6 ^% r# Ehttps://github.com/oomol-lab/pdf-craft

& P3 J- @0 Q, m! k+ p9 v1. 这个工具要求装 python3.10
! R" g; V# o$ g- w4 t2. 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
6 l2 r# T. b: G$ G  u

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   6 d' R5 J7 |) [, T4 E; G  ~7 g
2. 
   
3. extractor = PDFPageExtractor(
   3 b6 v* ?. o! u* B- M& @
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   
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

: V' Z' z5 S7 S! v6 ]
3 `8 a; S+ o! u) K, V$ w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
8 F. O/ s' ^! x1 V. O% m4.2 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

5. 运行 python3 a.py

nanimarcus

& c( q6 w; {4 j7 S2 {/ D, J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。
% I7 A3 H7 Q9 D: P" q' p
deepseek，qwen，chatgpt 三个，deepseek是最好的。
9 A3 [1 _+ V8 ^. h( R% E9 V
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。
我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

+ t. j1 P8 `% e0 c" \( NAPI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

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
# W3 W' ]$ ?9 U9 p1 ~* r2 W% f, o4 R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

; S  l% H) z+ z
已经搞定.
) q  J3 ^- {6 r6 }. N/ [
! n6 r5 Z2 _. c' c8 Q8 i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
) R: i2 x; _8 k- }+ _4 S& D
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
9 g" R: L' @; v+ j0 S, p
+ O% k7 s* \2 ]" [+ v% S% E4 C$ D8 D得到text file

8 z/ a" t' L! a+ |$ h0 T! F3, python 读取整个outputfile，丢给deepseek 矫正。

3 ~7 |$ t) f" `. S3 l4 v2 c模型是 deepseek-chat
+ A2 j9 P- q2 T; c9 W5 u. Y
max_tokens 最大是 8192，别的不用改。
  n) R0 O6 A. A( H9 J! n
参考：
& M  \7 Z( [7 b, k" mhttps://api-docs.deepseek.com/api/create-chat-completion

" n% l6 @- {$ c6 M. Y4，费用：

实测：
  F3 N: b$ `) g
' d" T$ o0 j1 M+ J) v296K 字母，用了 9 美分。

8 Y( e; {. P" B, N2 }, E, h英文字母 到 token 用量大约 1/3

0 z5 A; H4 ?; X  t, }tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
2 N" d6 ~! E- S' l) m
3 V, b+ w! K7 f! l0 Q, _  I$ u32899 个字母花费 11782 tokens，包含输入输出的 tokens
5 @+ `# e" l8 l7 }
价钱，非常非常便宜了。
$ J0 Q, p8 R$ x* _: J- _
; ]; O2 |% M; l, L8 W参考如下可以计算，懒得算了。

! b) G, _' R6 i6 q* t8 r/ ~* F, G! hhttps://api-docs.deepseek.com/quick_start/pricing

  e% I4 R4 y9 H1 F- @3 l& b" W1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1 c, Z: }( ]4 i. f6 f5 c1M TOKENS OUTPUT(5)                                              $1.10                $2.19

" \: k& R/ ^2 _5 @0 L/ B2 l5, Balance
* }2 ^; |3 L% `# t/ C) y/ Q4 o) Z
可以在程序里调用，知道每次运行结束后，balance还剩多少。
$ Y# e# f5 }4 F5 U! \参考：
& w* y, l2 k0 l' ~7 @https://api-docs.deepseek.com/api/get-user-balance
( i3 [* ~' p1 _  N2 e, S
( x, |" a6 [( B( V) Y5 `6, Models
: ~, q: a  U  j0 P
目前就两个
! N) j7 T6 x1 [' m' y- y; y6 [# deepseek-chat
+ m1 [. e/ y- S6 ]# deepseek-reasoner
  A. |: x* O$ t- s6 \1 b, h* b  I  S- `
" p( Y' t6 E- o2 L4 I4 d0 u* _" }参考：
: `) D) F' z! a* c+ c' Ahttps://api-docs.deepseek.com/api/list-models

, x3 \/ x2 i/ u; @
7, 问题

8 H) M+ ?' \) ydeepseek 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。
3 q6 b. L- k4 o) l% j3 s
8, 钱说了算。
4 C9 l% z8 [" n; A
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。
9 v8 [. o3 H7 g  ]3 j5 v9 vchatgpt也是这样的。


% i  ?4 q% l/ l3 Y; C1 p