利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

9 g4 h: D! N& [& ?' Q3 d9 H2 ^
& E7 x+ P% k, w把PDF上传，然后让他抓取文字，并修改可能的错误。
+ F9 U. @6 q. @+ `, u- k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。
, K9 Y8 M* E) e8 r我要疯掉了！
  T. Y1 o$ i8 O# C& Z; h% @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！
' X4 ^0 \8 }& u0 l$ d" I$ z====
6 b+ |) G) l0 {( ^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。
====
第二次疯掉了！
/ E# R5 |1 O+ F7 x8 D- p- d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。
====
5 l( [6 W+ t8 `& ~) b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。
" I2 K7 I% U  u3 X' W& _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。
  o0 ~! R: n$ S6 W====
/ l4 I$ `1 f5 j; c1 t+ o5 y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 u) I- u" E, N+ e) L; T  }7 N0 o====
好吧，有些东西是不给翻译的，哈哈。
2 z9 @$ z0 \9 P# v. J
Sorry, that's beyond my current scope. Let’s talk about something else.
====
( s9 w( t: z6 ~# K+ {然后我的英文命令也让deepseek 帮我修改，呵呵。
. V% w1 l7 b8 r& T+ J====
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 [1 o  F- y3 c% [5 G( w5 N+ `====
! p, {* W: v, C* K5 }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。
====
用千问吧，非常稳定，非常强大。
( f- T) y/ L7 a5 f' |, e- Z6 zhttps://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
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

$ s5 D0 e& R8 u( A: w2 X- _- X/ t以后让deepseek 读出土的竹简

8 B/ z) L+ O! y7 `" w还有把古文翻译成现代白话
" b) a5 B' e; x9 V( m5 b
1 }* P1 J$ @. f4 m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
" n# Y0 X% `2 n1 {0 {, d' j请教是如何实现的？

3 t8 ]! L+ B0 u* H4 N( f4 Y* A- Q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 ...

) ]' T& ]5 R4 [7 I7 j' n$ P/ j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。
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。
. N; ]1 m, g' Q4 R  C

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

7 K, Q) R4 ]; D- A( O/ X6 p0 H3 d# J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/
5 _( u4 C* E% ]4 T( N; r- Y. |8 q试一下千问，估计美国人没有攻击他，所以资源敞开用。
* L" i; r+ m" t" T3 K很稳定，质量不错，好像最多一次处理15页。
/ L3 }; B5 L6 A5 A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。
9 o0 h% Q, ^. F7 K+ c; @; u: v% ~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。
( `- P" @2 }- q& _& |% a, S3 P. @" Y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”。

' f( a2 ?! u: E! r+ {" N7 Dhttps://github.com/oomol-lab/pdf-craft
4 G- N- H) M" p- I/ o$ Q4 ^
0 O6 r- l& E. j( |* K: f* p7 r+ U1. 这个工具要求装 python3.10
0 z( \- E' N7 h% \- Z( K. F2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

# l( L! |+ T( N/ U) B% R

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ) s% e5 x# w& N3 v. {) N2 h
2. 
   , _. l' s; h& C3 u8 K7 C
3. extractor = PDFPageExtractor(
   8 q% E1 C, K7 F$ }% d
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   % V  y# o" m' ?/ J' g) G. d
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
     m) T5 v( N% s; x% `
6. )
   * C/ Y: Y6 D2 q* N) Z4 {
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   6 H% _! u3 F; r" u8 T( x8 {! u+ m
9.     md.write(block)

复制代码

- O5 Z- Y+ I7 N# E. g
7 c3 B" G: [8 V& I- q7 T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
5 |8 d! X4 m2 Z2 Z! `6 `0 L4.2 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

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。
然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

3 A' Q  }/ T( i( a1 }, Wdeepseek，qwen，chatgpt 三个，deepseek是最好的。
; Y; Q3 ~, ^: ?# E  Z" V
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。
# y# d5 r8 }& }9 S. k# i6 a, 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。
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。

8 E+ Y6 i  p% q. y% Cdeepseek可以同时开四个。
* {3 ]( _5 u$ e9 x7 w0 A3 ^7 E

三力思

5 [: [) k7 t. D3 H
+ @; C* x* d( W; h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 ...

6 P4 A) D2 F- r; e细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
+ d9 x' v- D( n" A细说一下，听上去很不错，多谢。

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

6 U  J( @- ~1 w5 L1 D0 \
# k, ^& G, M1 W* L( ]$ Q8 W) b已经搞定.
% H' O- q5 f4 }& |- S6 F( f
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

. z0 _7 |0 |2 [& }! ^1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
0 L! X; ]( T/ K' I1 y
得到text file
, i$ T' @! g% J9 r5 Q0 X! I) o- M
6 A9 ?. p" W& V2 H3, python 读取整个outputfile，丢给deepseek 矫正。

: V1 b8 @8 ~' k( J' x# ?' ^模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
& r; u, Q4 I+ ?( A9 T: N: U% m
5 U: P( B8 T+ _! B  v( b参考：
9 d2 ]5 v3 M- u. K: p% ~( h0 Hhttps://api-docs.deepseek.com/api/create-chat-completion
% m3 W" {, @; `
( V* `( c5 _; _/ J4，费用：
$ M" d5 p  _3 ]7 x2 H6 f
实测：
) M' c' }, d0 t0 F2 E
296K 字母，用了 9 美分。
  q# ]1 X/ E8 {2 _5 \
英文字母 到 token 用量大约 1/3
+ T3 ^& |) `8 c* W( B  V: v
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
2 C$ o8 O7 H2 D7 F) j
& R2 A* p5 v6 K3 Y' D( ?2 D价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
% L" n$ V6 t1 U6 B/ u
* y1 H, C) M/ hhttps://api-docs.deepseek.com/quick_start/pricing
! k2 g4 u1 O( n) p
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
# l/ N* c: `* W, G9 \) `$ L1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
7 t0 J4 j, }, }7 r# g6 S1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
; V7 [2 m# S, g1 h  z6 X
可以在程序里调用，知道每次运行结束后，balance还剩多少。
) J2 ?, `( ~! Y参考：
8 `/ f9 x9 G9 \6 B, j. ghttps://api-docs.deepseek.com/api/get-user-balance

% S; r5 f8 x( A  G4 r2 ?6, Models

. g& u/ v; S; i. t% n3 [  U目前就两个
1 t: H# A9 t" _* e: ^6 E# deepseek-chat
3 \  |' J& p7 X: s# F' Y# deepseek-reasoner

参考：
  i" P" n6 S. e9 Xhttps://api-docs.deepseek.com/api/list-models


" z& r  e* O* X1 ~* C+ k7, 问题
6 I) I" {: S  b7 i
! A9 @1 M9 N9 j2 U: edeepseek 会将前后两段合成一段。
特别是那种大量的对话的段落，deepseek会给你合成一大段。
% b" L$ \  g' Y: [7 T. o4 o/ m
6 a' F0 i+ f# {" {9 v: s3 O6 L( I8, 钱说了算。
6 p4 f8 f  U6 t/ }& w
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。
但是API就不会出现这种情况，毕竟我们给钱了。
0 U8 \+ ^. y' rchatgpt也是这样的。
& |) D7 Q: H2 n/ g& f7 W
$ O; u( C; a$ c  y" N: r