利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

* _, j  m( W8 v3 }
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。
2 {/ N0 D7 s0 c( Z段落清楚，列清楚，页眉页脚全部去掉。
7 O7 s7 G! z) f" N' ~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( Z. m, [* ?' B/ p====
中文也很完美。
5 N9 Z3 K3 S% z- i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！
$ b6 c! o0 Y1 _8 p# K& g4 ?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。
3 }8 y# B; e9 S0 Z: S6 x====
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。
% n8 k  d# B) [0 Z: q但是任务多了后，每次翻译的页面数是减少的。
# e6 i3 X. q9 P/ }, B1 h" S- y好吧，我五体投地，继续探索。
- P: o0 ?: s1 O- P9 E====
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。
====
好吧，有些东西是不给翻译的，哈哈。
# ~$ n4 x/ v: w2 C+ F, Z8 Q
Sorry, that's beyond my current scope. Let’s talk about something else.
2 f- e- K/ q( \7 Y4 ^====
然后我的英文命令也让deepseek 帮我修改，呵呵。
: R( d3 J# N/ `* N====
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。
====
6 _/ G! @- m% U* T) C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。
. `8 Z8 W1 e/ S( y9 e====
用千问吧，非常稳定，非常强大。
* `9 q  Q+ H4 W: ^https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。

. I% B( ?( z- O3 x
* Q+ ]7 L  b4 ^5 z% v0 \! c, r; B

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

  N5 k5 V$ @. r* |" K2 K& l
2 y) W! t* z" v6 o以后让deepseek 读出土的竹简
2 A9 _, b- j2 B2 S& M
) w8 h5 V6 N5 _7 B# B. H还有把古文翻译成现代白话

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？
2 A- D* _$ {8 k8 G  L
% |- E! [# M( i, P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？
. T9 n( i* _1 W: @' ?  x
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 ...

7 j3 L' q$ j. A8 o  `; b
. S  S0 W6 q$ i& o8 G) b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。
  u8 b7 ~# J5 I& m3 A2 }* p; J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
8 [2 i3 ~, _0 |# Z: Z3 ~请教是如何实现的？
+ A, y7 S& Z: [/ 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 ...

https://chat.qwenlm.ai/
$ f) n# D, H+ E) o& b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。
9 ^. E! ]. ~, C0 U  {' 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。
: t5 ]% @$ @1 H  k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”。

6 P) \/ a9 B0 ?* ]4 `5 M/ _2 D5 ^3 Qhttps://github.com/oomol-lab/pdf-craft
: e' J9 j4 g+ \* V! c6 V5 {
6 }& V+ d9 v7 O9 L. g1. 这个工具要求装 python3.10
2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
* @6 Y- b' w6 P; Y3. pip install pdf-craft
: J, p0 R2 N2 v% a/ u4. 把下面的内容写到一个文件里，例如 a.py
2 K1 d, ]' C) I+ m
0 j" F8 s. T* {  V$ s! a0 Q3 m+ V

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   : Q4 o8 ~* B2 V6 H/ k! g
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ! C. G& T6 ^4 a1 u
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   3 }2 C3 H: j) I0 v
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

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
4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

  n& @7 n9 z$ i* Q( P2 N* J
目前为止PDF转纯文字的最佳办法。
! z( ~  e! |0 M3 c8 U! d8 a0 r先写个小程序，把PDF按章节切成小的PDF。
0 p/ \* G. f% D, Q( v- R然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

  s2 M6 R8 C/ g( B3 k5 d/ n) `deepseek，qwen，chatgpt 三个，deepseek是最好的。
4 K3 N) \3 M: G3 L* |3 x' u$ w9 N
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。
& T4 v6 [# s8 R, d7 a
API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。
, p1 J4 X3 C! B# E+ d# i% {

三力思

* U" t* e# F. i$ n  Z3 n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 ...

' H$ p6 z, s& r; W7 X3 G. u8 d. u) @细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
  Z; T) U& {/ i6 o8 r细说一下，听上去很不错，多谢。

  z9 ]5 j* Q6 V1 F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.

+ A2 a8 j1 c: d6 m$ G7 p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
8 X! Q: j0 x/ c4 t( D/ Y2 R
- l% w, H! c5 M+ v) ~& h; h2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

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

模型是 deepseek-chat

6 S6 D9 ?9 m* Y8 `, Bmax_tokens 最大是 8192，别的不用改。
4 S' V  j( s, X
4 f) D/ u' ~( g, P参考：
https://api-docs.deepseek.com/api/create-chat-completion
9 b! ?4 K! Y4 @$ d  j
. O) n7 Z  O) @  t4，费用：
5 b" R5 A, Z: m: V! A+ z$ E0 x
实测：

4 f# Y/ M- L1 v2 T% c2 y2 i3 h296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

% U6 I& W0 b; r* U. stokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

  @# X  n% |9 ?1 j* T* U7 S$ o32899 个字母花费 11782 tokens，包含输入输出的 tokens

1 z  |; V& T& A' U价钱，非常非常便宜了。

* M0 x# l! O/ w2 @参考如下可以计算，懒得算了。

https://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
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
+ S# a3 c& u, z# {$ b3 ]
5, Balance
- C( b) G' |- K; [$ I+ y
可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
. s; j' L5 |, y5 ~3 \+ Uhttps://api-docs.deepseek.com/api/get-user-balance

9 ]8 e0 O  }; h/ j/ c: `2 W6, Models
. x+ i0 x; s; n, y  r
7 _, `; w) ]5 r! j  V目前就两个
3 ~* P. I! K2 L5 S9 c5 q# deepseek-chat
# deepseek-reasoner
2 E2 W1 D8 e' _7 f* e4 S
参考：
+ L/ f% ]4 H/ G6 R9 z1 `# vhttps://api-docs.deepseek.com/api/list-models


! `3 I& h/ ?& P1 m) J5 e7, 问题

deepseek 会将前后两段合成一段。
0 L0 |) |. w4 C. }特别是那种大量的对话的段落，deepseek会给你合成一大段。
6 s- i- @( I/ S5 I; |& R2 o
8, 钱说了算。
3 x# G$ X; ]. T+ P& G
% W3 u, d9 T5 ^! Zdeepseek 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。
4 O7 u& H. F2 e4 F- k! ychatgpt也是这样的。