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。
) ~3 a- E5 d; {* b然后deepseek完美的完成了任务。
; h" \' a2 j$ Y6 p  @8 _. v; @段落清楚，列清楚，页眉页脚全部去掉。
; t. z' o. F: _3 q1 g2 e6 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！
====
中文也很完美。
7 r4 _- y1 P( }) g2 H0 p% M经验值，每次十页比较稳定。
' }8 |( p8 D& f' O4 E0 B4 `$ g现在我这里API还不能用，等恢复了，全自动了。
5 U; Q2 A( g& g1 Q  `5 z6 h/ f====
第二次疯掉了！
: |9 B% N1 [% H2 y* T+ c6 x* c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。
# c# h) K7 a  A" \& v6 D但是任务多了后，每次翻译的页面数是减少的。
. D+ I# C& S6 `1 M! n: h好吧，我五体投地，继续探索。
====
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 J; x' Q) W2 n8 Q====
好吧，有些东西是不给翻译的，哈哈。
" e! E# S8 m5 n& x: j
Sorry, that's beyond my current scope. Let’s talk about something else.
====
) L% P9 `, B& R' D然后我的英文命令也让deepseek 帮我修改，呵呵。
& Z7 D+ n; q2 P" c9 ^, \====
2 A1 O7 x& c5 _# u& K- `+ V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。
0 X5 \1 Q' H1 f) x4 ~# T# h====
时间段的话，北京时间的下午和晚上用比较好。
$ h, m! J0 \" u/ {2 \" |后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
用千问吧，非常稳定，非常强大。
; F; k; d( a$ m) ]' g. |" C+ k" b% ~https://chat.qwenlm.ai/
' r4 O! b: q0 H, P8 k8 k# V5 x  \====
Deepseek，API 看上去可用了，但是不给充钱。
) C' e. a- y9 @$ ]0 x


) P; \7 |0 Y5 P2 k

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

: ]# ~) Y5 H: \' e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

& s. q8 G! `7 O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

5 b! c, t; T  g% i还有把古文翻译成现代白话
7 B; j* F  s# h0 t
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？
! c) |* z% D# p" d+ E# f+ `6 _- o
' O, F7 g1 \. W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
, j' w) V) R6 J& |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 ...

+ y9 \( A& G2 A0 @2 a* U+ y, ^  n9 o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。
% E6 p$ O8 \4 d1 o& F文字之类的没问题。估计deepseek现在暂时只保证主要功能。
" k' A7 ~. [" y$ P0 z' 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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
4 h1 a3 j' y# E, y0 `; ~2 H0 [% ^请教是如何实现的？
1 A" @$ x; ?- Z5 K
5 K" ~7 O7 N5 J; \9 d- W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/
# B& E$ e; k* j. `0 c, K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。
- i- h+ h. X( c( x  K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。
- Q" H" n3 b: X# }% ^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”。

https://github.com/oomol-lab/pdf-craft

- X0 A+ D. o6 T, s3 a) _" c. }$ g6 r1. 这个工具要求装 python3.10
+ y; w! L1 V/ r9 d; c2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
2 l# ], S: ~3 l& X( c$ b9 q3. pip install pdf-craft
+ b* b. [( \# u4 r3 u4. 把下面的内容写到一个文件里，例如 a.py

3 T( o5 P1 ]; M& e! 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
   : }' h( T. k+ \: w/ b
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   ( V, k' _; R5 |$ z7 \3 J$ }, R" _
9.     md.write(block)

复制代码

+ t  {8 N" d' ?2 S+ E
' N+ W0 n. C: r$ ]" D, R+ a7 o' L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
2 X; l7 C, y! X0 z- m* h- V" ^: m4.2 markdown_path：输出的 markdown 路径文件名
2 `; c6 W, H! ]+ |2 m' b, |4.3 /path/to/pdf/file: 输入的源PDF路径文件名
" ^: y5 a- I8 H- c* N  X7 y) N/ R7 c
5. 运行 python3 a.py

nanimarcus

9 J: p; ]) v4 W% M7 p
% @- P* `- Q! M4 ]: H* M$ O: d目前为止PDF转纯文字的最佳办法。
, f% b  t9 n! E4 B8 c# j* \" m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。
# e# g4 h4 G" H6 g. N" S效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
1 o& U4 f( P. F6 M4 i0 W( j! f
9 C+ z* B" t  f' z- T, H9 x. Z, @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。
4 h! e' P; ], G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。
$ O# c  J$ t8 g' `6 J; h( a, R
: u) w. k5 {# D, mAPI到目前为止，差强人意，不如网页版本修得干净。

+ \, N1 {) s4 f/ y( _deepseek可以同时开四个。
6 C: p$ L" A0 w% e

三力思

5 I3 ?, z" ]/ G& {1 U
! r8 r$ ~7 h4 Q- f# q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
+ X4 \9 D! m9 s" y" V, [5 j1 z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
7 y/ {9 _. p2 ~* E细说一下，听上去很不错，多谢。

* @. N" t; C5 I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

# D' [) e6 f* a! `2 _" W
已经搞定.

; d" n8 x" t0 a! e7 T( B' r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
5 n- E) l: c8 h; D8 Q
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
9 H  [2 V$ F) c1 w. ]# N# e
得到text file
2 O+ C8 p- T5 |' B6 Q. N6 r
7 k( v' I6 d: M" {7 @3, python 读取整个outputfile，丢给deepseek 矫正。

5 Q4 R  T$ @4 ~% d模型是 deepseek-chat
3 v( `) O: g$ e- H3 P3 L8 z
$ M/ B% I  y6 Hmax_tokens 最大是 8192，别的不用改。
: k+ N' I, i! v! O
参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：
4 _2 `9 z5 }6 q3 _: \4 Q
实测：
3 D1 i: k* d' ^1 c, V* y& H
296K 字母，用了 9 美分。
* |! ?0 d' M% G( I1 T, P
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。

( K& T9 z  D2 l% v参考如下可以计算，懒得算了。
9 ]( ?! S: ^; H5 r( L/ `
6 A+ n; P. N  B; _7 R( jhttps://api-docs.deepseek.com/quick_start/pricing
) A# u$ w9 g3 @! w8 d
) Q: Q, _) o, m1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
+ M9 B+ m( N8 y3 V# ]1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
4 C3 I5 F' m3 m3 S* P1M TOKENS OUTPUT(5)                                              $1.10                $2.19

. [% H( ^1 V' z* F3 N# [2 r5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
$ E; s2 j- ]) i8 R* J0 Yhttps://api-docs.deepseek.com/api/get-user-balance
) x! O' |3 s0 V/ b# x/ ]
6, Models

% w9 b# U. a+ G目前就两个
# deepseek-chat
9 v  d6 w1 V8 g2 M! v! F# deepseek-reasoner
2 V  P5 u' J' g4 [- n: y7 X+ o+ E
参考：
https://api-docs.deepseek.com/api/list-models
4 @  K9 n1 j6 ]/ u6 ?% _

" Q8 s6 u* P$ v6 G7, 问题
4 j+ V2 B; i4 m
& z0 f/ g+ a: T! f, ]5 P5 i7 M( Bdeepseek 会将前后两段合成一段。
& r9 D) A9 j8 m* b* H6 G+ P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。
6 \5 A& F3 k, o8 t; ?/ p% _
" |% [, u( H) T1 k: T  V* ]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。
* S6 s* ~  S! z- D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。


! W" T% x8 _  N! r( b+ o