利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

) P! D" w* |. M% Y/ q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。
9 N; H  c) ~# ?  B段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
8 S7 r' A7 ]4 u# t: h+ ]- ~9 u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！
' _5 A+ P$ c! U5 J====
8 b% Z7 F  s# g0 C3 u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。
====
. D0 L/ o) J) L  G6 f  q  N$ y& x第二次疯掉了！
$ _4 g. J8 u) `* b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。
$ F+ w  G2 O" R====
- X9 ^, i$ l8 o9 K! w4 y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。
2 ^- e0 Y+ I% T* X% n====
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。
$ t$ V8 F" O: m% M+ O1 p9 u$ X( ^====
好吧，有些东西是不给翻译的，哈哈。

Sorry, that's beyond my current scope. Let’s talk about something else.
====
然后我的英文命令也让deepseek 帮我修改，呵呵。
: @) v9 i$ y5 [$ U====
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。
后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
0 p& z6 J& Y+ m用千问吧，非常稳定，非常强大。
) w* K* w4 N/ l8 n' ^7 M. K; ]) }$ Ohttps://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
. p5 `) Z. s& q: H+ U& T1 M这功能很赞呀

9 N# z/ g- J, K) H7 K$ V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

) b! H4 s" ?8 e  h
) J6 a# f7 ^- ?  \2 ?! A7 i4 z以后让deepseek 读出土的竹简

. C' n) g/ {" r# n7 k; R: H# ?' n  g" r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？

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？
# \; k! b7 Y. J1 c- D( 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。
* [% g) [  ^1 D5 v文字之类的没问题。估计deepseek现在暂时只保证主要功能。
. U& M. I6 `2 G" t. u3 L- y6 G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
请教是如何实现的？

$ C  A- M5 A" Y4 R. N" E: 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 ...

https://chat.qwenlm.ai/
9 M$ b' ^4 |9 A% Q# j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。
7 l9 a9 t  [5 n: J- k: N! o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。
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
! m( `- c2 W+ X/ ]5 i
1. 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
$ t/ G# O0 z* T8 ~3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
! C7 W" ]+ O+ ~; D7 v3 w. u
7 `/ S9 s8 s& c1 j; T6 x

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   $ V$ j2 M  S* \
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:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

! M: |: E  {. f* ^' U
, g3 Z) }2 d+ I  R! J/ L& r+ Y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
6 [- ]4 Y' i1 Y4.3 /path/to/pdf/file: 输入的源PDF路径文件名

4 j8 Q2 {8 M8 e  }/ B" O5 O, A5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
先写个小程序，把PDF按章节切成小的PDF。
" g% y, F5 z" i/ `4 G0 v然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
1 h6 k- y: s4 g9 _0 z8 K效果非常好。
3 K6 O( }- G* [8 Q  b! u  R
2 M; J$ e) \, h: B- Ddeepseek，qwen，chatgpt 三个，deepseek是最好的。
. U1 b. F8 T- R/ W+ M+ {
, f5 X  y; y. J9 ideepseek 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。
2 Z% n+ U, Z3 q* N& U# f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。
/ b! n$ b* b# c0 r) j6 j8 x2 }
2 r. e' W: a( a  D$ `2 z1 wdeepseek可以同时开四个。

三力思

" d/ ^  e7 O* U- M: a9 {/ J
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。

$ B8 Y: m8 O$ H# f2 d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

1 v* h* j4 D3 p6 s# ?已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
6 {- q7 G2 b8 ~
1, python + pypdf 按章节拆分小的PDF

. ]7 x5 b2 l/ q" F2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
( E) z" {/ u& ^/ d
7 M' W; C6 B! u& M0 n. ^得到text file
+ b8 _' u3 s& L8 a
5 F0 Y* p4 Q8 x" }0 B3 a+ M. O4 l3, python 读取整个outputfile，丢给deepseek 矫正。

2 r% m" i6 D& r' v) ?% N模型是 deepseek-chat

: q6 d# z0 o% I0 E! Y* G7 F/ vmax_tokens 最大是 8192，别的不用改。

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

4，费用：
, `; L( i0 H, q5 Z2 C
实测：
6 T' g' {$ z" x. J9 Q) U% l
9 {3 q) c8 h5 X! Z* G7 l296K 字母，用了 9 美分。
/ q3 h4 g. O0 Q+ I6 {' [
, S* D* S  H, ~英文字母 到 token 用量大约 1/3
1 e; m9 ~# S3 I) I8 r/ B
7 m& b5 I* A  A3 b4 z) Vtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens
/ t& s% ]+ H9 z2 [# ^5 l* I/ ], h
0 `2 H. Y) w3 ^4 ]& z' w8 F价钱，非常非常便宜了。

/ O+ T/ M/ K# D4 @$ x) ?& t- _/ {参考如下可以计算，懒得算了。
/ [- M9 y0 L2 d: Q6 X
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
; n' O) _1 g) Z2 y' U6 B1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
/ d0 m/ g$ V! j
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

2 i) m. o1 G: k$ |6, Models
" e+ c0 ?0 Z- X- V2 n% S
6 J7 H& [' \0 G1 P) z) p6 C7 `* y目前就两个
# deepseek-chat
# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models
- ]$ j$ X% N5 W

1 g6 f" q8 z! ?+ f( [- C* B8 F7, 问题
6 M( `' c0 r# U. c
deepseek 会将前后两段合成一段。
2 J9 c7 t+ r( X特别是那种大量的对话的段落，deepseek会给你合成一大段。
3 h/ T( g3 t; y" b1 J2 u+ c: Q
8, 钱说了算。

( E4 `% H$ X. u( T/ o" H4 f7 Jdeepseek 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 k  I1 `" X5 o( pchatgpt也是这样的。
/ H, k5 ?6 s) w- n! ]' Y0 }- J8 E

+ ~8 ^1 v( F* ^7 H1 k" H/ h