利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

! j! d: Y5 j  K* y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。
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！
====
3 |: R6 z7 y  r* m; y6 Q! s9 M( H. Y中文也很完美。
. r8 W5 u4 c4 ?5 }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。
====
: [* b; w. N/ p& x% T4 P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。
9 p: R7 J( r) `! H1 C* X====
, z4 m" {0 ^" U) w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。
& }* J7 M- c8 R  `% x( n但是任务多了后，每次翻译的页面数是减少的。
8 }, ?5 {. r+ Q1 i; j: K好吧，我五体投地，继续探索。
7 t1 T- F' O+ k2 H$ z====
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。
====
8 K) l) f" L1 Y2 X9 d  e) b好吧，有些东西是不给翻译的，哈哈。
- R$ c) d9 K  U' n5 G" p$ i
8 |8 ~; d: a% _Sorry, that's beyond my current scope. Let’s talk about something else.
====
, ?0 T- s+ {$ @7 |1 K2 \然后我的英文命令也让deepseek 帮我修改，呵呵。
====
, o, F8 T! X# h% 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。
====
时间段的话，北京时间的下午和晚上用比较好。
6 ?5 U/ w: i) [- n( P后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
% i' \( w0 n6 H0 i用千问吧，非常稳定，非常强大。
) y( J3 _4 T2 Ghttps://chat.qwenlm.ai/
0 W, y& D# J+ V# g/ I====
Deepseek，API 看上去可用了，但是不给充钱。
& s, w3 ]$ ^* a' w& w. F5 L2 d


& }& M& h. Y8 S% ^, r* B8 S

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
  D1 |5 l- J# }' Z9 v* D. O$ O1 y这功能很赞呀

9 ~3 G0 U/ w6 F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
& o, a4 Z" q. x# W3 w/ R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

% R: l, r1 G1 t6 }$ F) T3 v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？
- v. s& Z' j& O; Q0 F# C
2 J, u! x7 M) ]/ w# T8 _1 ~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？
! F- M0 D( K! p1 n2 X" P  X3 Y
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 ...

4 L8 i; W2 `; v9 V8 d
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。
' u' A( ]1 k+ K/ T! \# }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。
; P; G/ y# s/ d! [+ L* a6 }2 T

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

, [4 Q& Y9 w9 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 ...

3 p' q: u, ^- Y- N/ o/ M% r+ k9 e) bhttps://chat.qwenlm.ai/
4 j0 A* O: o  r* a, r试一下千问，估计美国人没有攻击他，所以资源敞开用。
/ K) ?8 [7 L* Q8 r. }( k  W7 w很稳定，质量不错，好像最多一次处理15页。
; ?2 u6 Q4 c7 F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。
0 ]" V1 `# B* g4 t6 _4 X0 `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”。
7 ?: ]3 p9 K( S6 u  y, b
https://github.com/oomol-lab/pdf-craft
$ y" a( W+ B5 a5 `
1. 这个工具要求装 python3.10
# \$ `6 e8 R- V2. 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
: I4 K8 `; L- o/ G( e6 J+ C

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   
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. )
     W' U" L! b( j6 A8 H  \
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ' x# n+ }( E; T( m$ q9 G/ o
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

9 Y0 F* s3 }% C( i* c- K
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
4.2 markdown_path：输出的 markdown 路径文件名
7 [  j2 f1 g6 h8 g3 i- H! p/ m4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

; z& X  j2 g$ h" Y目前为止PDF转纯文字的最佳办法。
- _" ^# p" f+ R6 t( C- @先写个小程序，把PDF按章节切成小的PDF。
8 c# L: k1 O" p6 d7 @然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
% v9 [, q/ {7 y+ b8 e6 B
deepseek，qwen，chatgpt 三个，deepseek是最好的。
8 r7 K+ r- f$ Y8 Y' L' Q
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。

API到目前为止，差强人意，不如网页版本修得干净。

# i! R/ o2 r, _7 Rdeepseek可以同时开四个。
- ^$ o. G% F, i( T" o

三力思

9 U9 D7 P0 i; R# ^
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。

$ Y6 K7 X( O0 P7 n6 L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

% [+ ?* {# w4 ]6 a) I2 U
, D' h' L7 ?$ b已经搞定.
& O7 J2 Q/ }; d, B
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

8 Y; Y/ X- [2 [- P9 t1, python + pypdf 按章节拆分小的PDF
. v: W; R  d' S- T& K0 x
; R! I$ V4 e9 s0 [, d" ^" k2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
; i/ d! \: u, S( \
得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
6 }9 c/ u2 a* a$ D/ o% F
max_tokens 最大是 8192，别的不用改。

! b- r. i4 y. j; h) d参考：
  E1 `, W" @( ?  u1 c, A7 d: mhttps://api-docs.deepseek.com/api/create-chat-completion

4，费用：

* M0 |- C) H4 g; {实测：
9 f: S+ E4 h- |2 n1 L
1 k, l# i( o/ B  j% U' S. L$ \! B296K 字母，用了 9 美分。

6 q' c( W9 e8 J5 Z英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
7 P- t' \; i" A5 F
/ h1 m0 q  j! M7 O  ]参考如下可以计算，懒得算了。
" E- z& D& b: G% V: O
$ C4 s% c0 I7 C( U# V* thttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
  ?# _; p/ n& e# `5 v4 S1M TOKENS OUTPUT(5)                                              $1.10                $2.19

. e: k7 _" p  _( F5, Balance
# [5 r/ d9 g( 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：
6 {# q/ M1 G$ p# [https://api-docs.deepseek.com/api/get-user-balance

6, Models

目前就两个
. E( U. y) c  X( b# J# \4 Z; L. X# deepseek-chat
" n( B, k. \1 s% H# z5 P$ g9 K# deepseek-reasoner
* L- G; b" L5 w. t  U/ v  c; h
. q' b4 l$ C5 F9 ^( X4 p参考：
https://api-docs.deepseek.com/api/list-models

+ y  ]! y- ]! y: ~! J
  k. S/ a* b5 x7, 问题
2 t, P# a) l( {- `
deepseek 会将前后两段合成一段。
" v  n9 R  @# Q, l特别是那种大量的对话的段落，deepseek会给你合成一大段。
) \: h7 s- q* `, }0 a9 b
/ @) x" j: U7 \% o7 [2 i8, 钱说了算。
3 E& X7 u( m" I7 s" x. 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。
chatgpt也是这样的。