利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

7 o2 ]6 S1 G6 J把PDF上传，然后让他抓取文字，并修改可能的错误。
/ n9 q& ]7 L& H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。
) V$ u$ V2 D& M4 V% e. q我要疯掉了！
3 x8 T/ j+ _7 F3 K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。
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。
$ Y% _+ M; J0 ^5 |/ U. a2 G====
, f- i, V( b6 P- s) V5 J( h第二次疯掉了！
3 g% ^. y0 m4 g4 j% B3 T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。
: q# K& @5 x, \  I5 Z* l& 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。
但是任务多了后，每次翻译的页面数是减少的。
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。
====
好吧，有些东西是不给翻译的，哈哈。
" p8 h) i! E6 s0 W' W/ M5 k  I
4 g2 g) e  O% O* {/ |; HSorry, that's beyond my current scope. Let’s talk about something else.
0 I) g: w/ |$ B0 L7 U====
# Q! v9 p; j  H' l, y0 H. T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。
====
3 ~& V/ Z: Z( ?  u. f) s0 E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。
7 S% u; x  E, A2 N1 ?====
! n* l0 W3 m/ m  h% C用千问吧，非常稳定，非常强大。
. o/ p6 b: X) ?# p+ V9 khttps://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。


6 J2 {% H7 j2 j

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
& N; i! B4 r- [( {1 D. p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
6 l6 q* n$ R0 N' d8 D' z; ?有没有上传整本书试试

. D' z3 a' r& Y! g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

# j9 U) y, z8 ~( {% l+ a
  Y+ ~, p2 ?9 I, v以后让deepseek 读出土的竹简

5 Z" i5 J8 s+ ]9 [2 _+ R还有把古文翻译成现代白话

+ A# x5 E( E+ R* U( X* G$ N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
( T. C- p5 S, Q( k请教是如何实现的？
9 P% ^2 Q0 g( u' _# p/ 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 ...

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。
( Y8 l4 |9 {& C. f9 U9 A$ N文字之类的没问题。估计deepseek现在暂时只保证主要功能。
" H6 f/ j2 c1 p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。
8 b9 m" }1 d0 Y8 B# L

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

7 y$ G( u" H0 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 ...

5 j, U* p( X5 R& Rhttps://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。
% l* N3 ~( p7 B) M) o很稳定，质量不错，好像最多一次处理15页。
1 r, p: @8 L( Y4 A: ]+ y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。
/ M( A6 M  O5 X/ n# r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
  C) T8 O0 B! d# @$ ^9 X$ Z  e
0 E# m3 z/ i2 t" R& o1. 这个工具要求装 python3.10
& r1 Q* s" @9 a+ B4 }+ A2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
1 b& i# J3 g! _2 l$ P7 T3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
2 b( I+ N8 L. r. Y/ N9 N3 }1 z
, t: e. }. Z* i1 n  t  a# ?3 _* g0 [

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   / A1 S! O. |3 L$ Y: P
2. 
   5 C. a/ E- `4 K# D" E' ]& o
3. extractor = PDFPageExtractor(
   - D" Q$ ^/ c2 X
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   , e! l6 v. i; C2 y
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

/ |+ e9 ~* m% V% t( Q要修改的内容：
; Q# v# n3 A- C$ H1 D4.1 /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
& o/ y0 j& h7 z* i4.2 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

9 p5 D* U  Y2 ?8 S5 J- y5. 运行 python3 a.py

nanimarcus

4 a* x* F5 a5 y- |3 q% P0 y: A目前为止PDF转纯文字的最佳办法。
( g9 z0 l# G! ?9 W' o. o% O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。
* u  [0 T# O' q6 M( z& E( g效果非常好。

: H9 Y0 E+ |% }deepseek，qwen，chatgpt 三个，deepseek是最好的。

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。
3 ?5 t/ n& K7 k/ c* g! m2 O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 o, S  M( A1 M我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
& Z- |9 z/ R7 i7 J
API到目前为止，差强人意，不如网页版本修得干净。
% d8 C7 P6 o* ?, O3 B
deepseek可以同时开四个。
5 P% Q3 _  I" w7 d% g. g) U2 t

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
; q$ F, e# X2 ^7 ~& u+ }% \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 ...

* l1 g9 {. }1 v: c- j6 X细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
: R# i0 {& D% X细说一下，听上去很不错，多谢。

; e9 U: O  ~. W; l& z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

) u- j7 y# \. X' C已经搞定.
; d. k& S: S/ L
; `0 ^9 N' d# y% G5 U" u1 e. 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
5 H0 Q3 D1 b; ?: T" [# e$ H
& i/ }  l) {$ M7 K2 `2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
( j# K6 b# M3 Q
得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
2 j# s3 N& l" M5 A% d
模型是 deepseek-chat
6 t+ ]4 q/ r1 x/ n( B. L7 p
' M& Y+ [. G" X- Tmax_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion

& M, w* M9 K* Z* V$ U  ?$ E0 p4，费用：

实测：

296K 字母，用了 9 美分。
$ _6 b4 [3 U) V! N/ h
英文字母 到 token 用量大约 1/3

2 E' I& X) ^% z+ r3 Stokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
) P, ]% w4 ]' Q) Y! Z
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。
2 V/ @! k$ L6 U) I+ x
* g; M1 x. Q6 ^: v3 p# D& Q8 h参考如下可以计算，懒得算了。
1 I. b5 n$ n, i# P' M, b
$ P+ q; H4 i% X1 ohttps://api-docs.deepseek.com/quick_start/pricing
3 I7 t, V  Z; x# v* [6 P
- W: F" U. R4 B* z1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
# r5 v# p. |% F- R" `% h1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
7 o2 @! R7 Z+ e( h$ e! c! w
5, Balance
0 ]7 p' D1 q7 I( S( w% ]
8 C$ n7 @  }2 J2 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：
https://api-docs.deepseek.com/api/get-user-balance
, U! K" T6 s  a# V
6, Models

目前就两个
2 x" Q# h( _7 h6 C$ _. c: ?/ p# deepseek-chat
# deepseek-reasoner
$ t% a# Z6 {3 B4 L
参考：
: Z0 b( \) M: {, ghttps://api-docs.deepseek.com/api/list-models


7, 问题
5 ]2 Z, t2 n0 L7 V- w& @) n
deepseek 会将前后两段合成一段。
2 H6 i+ q1 l3 p( G特别是那种大量的对话的段落，deepseek会给你合成一大段。
( D: ]6 @9 B8 ~
7 Z: |& d, ?" M  i7 v/ t8, 钱说了算。
/ I- ]& z$ z; |5 s/ z
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。
$ r/ d* o, Z. M. O1 p1 k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。