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。
6 I7 ]0 c+ Y# I  u1 `: F% Z' x, P2 |然后deepseek完美的完成了任务。
% g- l* H% d: `" \- w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！
====
& V' U, _- W& w6 g+ T; h. P+ @9 a, K中文也很完美。
经验值，每次十页比较稳定。
- x% {% K' D* D5 l, x现在我这里API还不能用，等恢复了，全自动了。
0 N# B* G, u. h$ S====
第二次疯掉了！
) d6 O8 ?' Q* G3 K. J; G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。
  a6 z5 L6 ]4 g====
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。
* M2 O( u+ q: k0 [0 [* g好吧，我五体投地，继续探索。
. z: N2 l  v- B. V( O$ K====
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。
# }& [' `+ f7 T- n. S====
好吧，有些东西是不给翻译的，哈哈。

( L0 H% H& y6 ~1 v! u- T& c6 XSorry, 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。
: @0 _4 t' n+ t5 }, q; U6 H====
# K# ?: {  ~- H) C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。
====
8 P6 W) P% c" b" Q3 \- g5 v. Y) Z时间段的话，北京时间的下午和晚上用比较好。
, w1 Z; X0 I% f1 N后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
6 y. s- b! |5 P* L% {- v+ Z1 a用千问吧，非常稳定，非常强大。
7 q1 w  f# k; t" hhttps://chat.qwenlm.ai/
  t7 h4 {7 P$ K8 }" G* }====
, V) g7 W/ K& f$ J9 z$ q: ?8 b! }Deepseek，API 看上去可用了，但是不给充钱。
7 f) N8 h* Z" z( @7 P+ @) \7 F  ~+ l

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

& m5 D* {5 M8 F+ t& W- r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

- E8 z' U; N3 G" E& t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

1 N  U4 l$ d# @3 W9 Y
以后让deepseek 读出土的竹简

+ w5 T% o" g# x" M3 F+ `6 C& l9 E还有把古文翻译成现代白话

- [4 S" _, j  ^: {0 v# |/ I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？
. j5 h9 k" Y) I
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
6 h6 W8 I/ `! V% a( f! Y& T% _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 ...

; e' z3 A* e  X5 X; }4 V
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。
) s4 e! K5 ^: n$ I+ W2 h文字之类的没问题。估计deepseek现在暂时只保证主要功能。
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
- H: L" p0 z' H, J7 G2 R请教是如何实现的？

% C# u& [9 S" M' V! }- _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/
4 t( B' n$ i  g0 p5 I- T试一下千问，估计美国人没有攻击他，所以资源敞开用。
/ l/ r! u7 N- f  e6 m很稳定，质量不错，好像最多一次处理15页。
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。
  ]8 l/ B' G7 h; W$ R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”。
2 M8 I7 t; L" ?; J/ T9 g
. X( E' m- ^6 }0 Q& O! Mhttps://github.com/oomol-lab/pdf-craft

& I+ _& g0 W* e3 X1. 这个工具要求装 python3.10
/ x7 _. d0 z& o: K. a2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
6 f6 }+ J1 k  u0 d  ^7 Y4. 把下面的内容写到一个文件里，例如 a.py

3 Q  m1 W: j! c& \0 e9 F, q

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   6 [+ l' q/ ?: J; S; l
2. 
   & h$ L& ?. {4 g# l2 ^9 e3 p2 G
3. extractor = PDFPageExtractor(
   - g. C& l. K2 @. E! v# z9 |
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
   & L% C) u- N! W; `6 _
6. )
   " r/ g* ~, S" u* V
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   , _6 ~2 I3 A7 v5 r
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

& S2 }. {5 T( w9 J# m要修改的内容：
8 |$ I4 o0 I% b/ |2 `) E, Q0 x4.1 /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
  t  V9 y, _2 X. 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

- y" C. n& s* j0 W$ }  z0 }5. 运行 python3 a.py

nanimarcus

7 l0 e$ T+ b" b5 o目前为止PDF转纯文字的最佳办法。
& t" W5 r1 A$ t先写个小程序，把PDF按章节切成小的PDF。
4 z& j) N) H; a' M/ o* L" b然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

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。
; T  h5 R! k) Q1 W7 G9 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。
: t% F$ s! m+ `$ f( A7 X& p2 L; {我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
2 Z9 L1 n% T6 T9 C& H# o2 v
API到目前为止，差强人意，不如网页版本修得干净。
- |0 s  G7 F1 l- w
deepseek可以同时开四个。
) E- d& X. p) {- Q; z& ^6 R; R

三力思

8 W  C6 @+ t3 v" J. k6 v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。

+ i- z4 e  ]0 s9 N' {9 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

% p9 `! Y+ k5 Q* O5 B3 p3 ^3 w
/ h4 s4 H; \2 q5 _5 B已经搞定.

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

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

3 M  i" c: _( {2 A得到text file
5 t7 r& n4 j- t6 k8 b, p4 f
3, python 读取整个outputfile，丢给deepseek 矫正。
' @+ F" t8 L& i9 V) D4 t  o5 p
. r# A9 K. A; o* X* A8 v% V  }模型是 deepseek-chat

) \+ D, {$ a4 v- v' s3 u. r& C+ qmax_tokens 最大是 8192，别的不用改。
8 b; S+ n6 n7 X: S8 N4 {& k
3 t# s! @+ g% q6 `$ x参考：
https://api-docs.deepseek.com/api/create-chat-completion
) @2 k) Q! z( J$ f( l
3 b& R, o/ z/ G9 v6 p, i, o* H8 u9 M4，费用：

$ z7 _" N+ G' X3 R) D' R$ B2 Q% U实测：
& l, ~* Y/ X6 }' ]- {% h
296K 字母，用了 9 美分。
2 E5 x8 p6 a5 {; A/ d) p
- j8 ^5 y; h' [* ~1 x2 z0 g4 ~英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
; r# N# }& s* t
$ t; G* A) A3 {& F$ B$ l6 M/ a32899 个字母花费 11782 tokens，包含输入输出的 tokens
1 s9 `) ^  S8 A: q# i/ u
价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
" ~0 Y' c+ `: F7 S! E
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                $0.55
8 _$ O0 l' W% v; d% c- E1M TOKENS OUTPUT(5)                                              $1.10                $2.19
& `7 p: }1 n9 c. D7 T0 }5 O/ |) U
5, Balance
0 O3 `$ d8 u* T+ f
/ o3 ?: s/ O% w, E5 i可以在程序里调用，知道每次运行结束后，balance还剩多少。
" I( b# g# l' z3 q9 L5 f! f8 ~参考：
https://api-docs.deepseek.com/api/get-user-balance
5 d7 P5 z( C5 d: O. ?( H
6, Models
' w, n! @: f0 ^* v5 n* @$ T
目前就两个
! w1 ?1 @6 a& y) i7 N, c4 m# deepseek-chat
" f, g8 z# m& z$ ?. i# deepseek-reasoner
( I* M) D' ]( o" H! e: B9 S
参考：
https://api-docs.deepseek.com/api/list-models
8 V' L2 N7 ^* c, e" a
* ~) I6 V6 U0 G: I# R
6 M6 ]! i& F7 r) u: g7, 问题
+ q$ X- a6 D/ \( W: k9 c, j
5 K; R. G; X2 rdeepseek 会将前后两段合成一段。
! S  X; }& d: i6 X8 C+ p5 z" \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。
; i5 p0 D* V4 `9 c8 [
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。
! K9 l$ {8 g8 h- s但是API就不会出现这种情况，毕竟我们给钱了。
# m, x1 h) i1 Y6 B7 i% }chatgpt也是这样的。


& j% o+ K4 s2 v5 u& p