利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

把PDF上传，然后让他抓取文字，并修改可能的错误。
1 h+ R9 |4 q$ q  m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。
# c; _- Q! r3 S1 {4 J0 M( f& R) M我要疯掉了！
1 x0 k7 u3 f2 W" [9 j0 _( z% G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。
* a9 x( c" H5 J& c经验值，每次十页比较稳定。
1 G" R0 }& g$ L$ O2 \现在我这里API还不能用，等恢复了，全自动了。
====
  D* ~; f4 _8 h9 v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。
====
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 o& p0 S3 H8 `  @6 c/ _但是任务多了后，每次翻译的页面数是减少的。
+ z, w! S: [& h! s& P6 X& U. d好吧，我五体投地，继续探索。
5 K4 X, W2 S' x0 V( b' q7 D4 f====
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。
====
4 t8 v$ {- a/ t2 ^; f: I" T好吧，有些东西是不给翻译的，哈哈。
2 ?! B/ M* z$ ]0 B) u
6 ]# e1 r; U8 e: d0 ~5 PSorry, that's beyond my current scope. Let’s talk about something else.
4 j6 L0 g  L+ H- ~. `! b" G. q====
' x  f( T4 _+ s0 T5 K6 z! _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。
: Q1 }* w' O0 \# q====
6 h8 f1 u4 j6 h/ s1 m时间段的话，北京时间的下午和晚上用比较好。
后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
  Y: h5 k! B; |. S用千问吧，非常稳定，非常强大。
( g! I, d3 ~7 ihttps://chat.qwenlm.ai/
====
& S: R5 _7 Z& ^+ M& BDeepseek，API 看上去可用了，但是不给充钱。

3 q. ^. p7 G  D) K" k
; c; N# i) P% Q

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
' S; @/ j+ Y9 l8 `: G; y% w8 E( ?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
9 K( q; G5 s2 q- [) 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

8 k% A" j/ Q# s6 M% o  K以后让deepseek 读出土的竹简
- ~# q5 j6 g& Y- R, a% E5 |* Z& K
$ Z$ B% A' P* s  M) u# w还有把古文翻译成现代白话

. S/ E5 }& h/ A& R3 m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？

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？
4 ]+ e6 J4 o8 G! G: z  O+ T
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。
8 X0 y+ Y8 n4 C0 |4 W( ^9 p- z文字之类的没问题。估计deepseek现在暂时只保证主要功能。
9 m# T$ ?! K3 n% d8 y$ e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。
4 b( ?$ H6 Z2 A% M

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 ...

0 }# f9 G9 T% y! C/ E  Zhttps://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。
$ y- O4 l) W1 t9 J1 _% U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。
! V+ C+ y! m- {$ d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”。
( U+ Q9 }# Y. y% X
https://github.com/oomol-lab/pdf-craft

) f6 b/ H  v6 O' h4 k; |1. 这个工具要求装 python3.10
4 [: q% |9 c/ P; X2. 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
, K9 z( N* d9 L( ^: I9 w+ z( e
, h) B+ H+ I  [$ W" G6 Y

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   ' L. m' t! Y& U3 l
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:
   # g: M$ V, {' _% I# y8 j# {
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

' M. S  f: m" _) ]3 i
- J, |" `# q5 S$ c. W要修改的内容：
+ ~5 p% k+ L$ E3 `2 u1 Y) f4.1 /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
) ?3 \7 [5 [% c4.2 markdown_path：输出的 markdown 路径文件名
: j4 B+ P4 x+ ~$ u7 u% j4.3 /path/to/pdf/file: 输入的源PDF路径文件名
) D# Z7 N! N, A1 r/ M+ l  H
4 b* C. g7 [3 q" n% R- V5. 运行 python3 a.py

nanimarcus

# A+ Z8 z, w6 b; v1 I' b6 D. K
* d! ~& l. O- n3 H7 `目前为止PDF转纯文字的最佳办法。
0 F% P% n, R% `) |4 b先写个小程序，把PDF按章节切成小的PDF。
7 Y. ^1 y5 D" p9 [' t- ?然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
) q" D, t1 `# }' ?. `' T5 N效果非常好。

! {) A$ E/ j( Y4 t6 w8 h* ~deepseek，qwen，chatgpt 三个，deepseek是最好的。
% Z6 L5 ^: l) o
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。
2 _7 L6 V, z! _; z5 g7 s我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

) ]5 F- N  n' J! D6 E& B$ ~API到目前为止，差强人意，不如网页版本修得干净。
; B4 P3 H8 h! ~; h& X5 F2 P* H. c
deepseek可以同时开四个。
) u  @9 s" O% B% P, ]

三力思

  `7 m. E, t) ?9 j8 R0 c+ |  u1 k
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
  `( Y8 L1 k" o# ^  A" S% q8 }% `! f# ?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。

' E  H; k% ~; n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.
) |! c# d0 c2 @
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

3 q, }9 T" T  O6 }9 V1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

: H( A. Y9 N0 Y5 \. ]得到text file

  s. L' R9 h. a, ^1 N+ w3, python 读取整个outputfile，丢给deepseek 矫正。
7 G& z# P7 a) ]
  e# T1 b- W5 g' W2 Z模型是 deepseek-chat

8 n* t0 |; j. x- R0 B5 Nmax_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion
2 t: [6 Y/ O& F5 N6 L; B
4，费用：
. D  G) f! F) y8 t5 H. ~- l0 V
实测：
1 p0 \: ~. H5 ^& @9 @$ ~5 g
" u# G; r0 {- o( }% @296K 字母，用了 9 美分。
$ _; ^# Z2 r: v: ]1 P$ k' c% b
英文字母 到 token 用量大约 1/3
& c: X/ `  i* `
- ?# |) h& C1 ]7 t+ z7 Ctokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
: h5 s4 L3 E2 {% [
32899 个字母花费 11782 tokens，包含输入输出的 tokens

* P/ X8 F* |# H! p价钱，非常非常便宜了。
1 |/ E5 y! F  q( Z
# P! e2 [( `( O- S) f" w* m4 g% H7 ]参考如下可以计算，懒得算了。
: `9 D/ O! j/ O) [! i( {$ h1 R8 @
3 I/ i$ i, C. s+ d" d; B( Vhttps://api-docs.deepseek.com/quick_start/pricing
5 I0 M5 g( k9 u5 J
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
- D# r# K$ c* C6 N9 s: j. r1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance

; e% s+ [9 B, J4 u5 p/ U3 V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
! V1 F( o! ]/ u4 ^
6, Models

目前就两个
$ M& j7 a3 n& s! m1 M' [0 Y% z# deepseek-chat
# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models
1 f; G/ B5 c" K" {0 ]: t

7, 问题

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。
% ]: R  d3 S$ n: j8 F/ v" P
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。
4 L: w9 C& Y8 V但是API就不会出现这种情况，毕竟我们给钱了。
2 x" ?/ \3 L$ ?, C% f1 Xchatgpt也是这样的。
' C1 p: g5 f1 o# F

( o4 m0 b: R; m) i7 `0 m