利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

2 Y! X" e! D* H& l7 E& l: Z
把PDF上传，然后让他抓取文字，并修改可能的错误。
; l" {/ m4 ?' f/ p( a' `1 M然后deepseek完美的完成了任务。
; M3 m% u; O1 W7 m, Y段落清楚，列清楚，页眉页脚全部去掉。
. u5 D5 _" }1 e5 [我要疯掉了！
9 A+ K/ k7 F9 V  J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。
( I- K; c& O8 \! R$ G3 k现在我这里API还不能用，等恢复了，全自动了。
====
第二次疯掉了！
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。
# K4 T/ V9 F+ S- S====
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。
8 t, Z" ]+ ?. t0 @9 o$ W1 I: o0 Q0 m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。
( p  Z. T. M0 A% u* A( T====
* b: e- Z* @* M* H" w: `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.
====
% L4 ^* n( p! r9 N" ?然后我的英文命令也让deepseek 帮我修改，呵呵。
====
# @, @! l" [& ^2 j  R! C* |/ N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 ^  S$ }! |7 A- \( N====
8 i) d: }: X7 U0 j时间段的话，北京时间的下午和晚上用比较好。
8 v4 c, s' v7 o3 Q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。
1 J3 D' [8 _( m6 F' Yhttps://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。

. _8 u$ ?, I& Q& [% A5 e

2 k3 `$ J2 p/ \; |" u5 U+ Q/ D; i, ^

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
( @7 p- F$ I! f* {) ?; G9 c; {有没有上传整本书试试

; b2 `: M* t2 z8 [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

: n2 Q( h* I6 ^( A以后让deepseek 读出土的竹简

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？
' l% ]3 n, k' m0 F2 `5 B, \+ e1 w
3 S) g3 Y- [$ u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
  ^+ e  i) _6 _0 z' [9 z' `请教是如何实现的？
: W2 _: I! S! G; I7 a5 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 ...

2 o5 R! w. P. o3 D0 l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。
' \- e  ?8 u9 B5 ~- X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。
$ U' _( \( ~) g& V

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
* e$ F" H8 w8 v# f4 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 ...

; l2 f% L2 Q& @, Z. [+ ^$ Fhttps://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。
很稳定，质量不错，好像最多一次处理15页。
* B' _9 Y+ l& h! O9 v8 Z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。
; Q" l' S( J$ [8 Y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。
. G' J' @/ J+ P, J$ _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”。
, h& h( \+ F: e9 Y, p+ w
3 v. l  w* ^4 i/ L' F5 Ihttps://github.com/oomol-lab/pdf-craft
" a# V% k% ~! h& y
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
; E# t/ O0 Z  G2 M4 O3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
4 J( c" D, ~2 p

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ' m/ d1 }+ \9 f2 ], B8 K: l
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
   
6. )
   9 d& X& r0 ~. i+ h0 z
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

) z4 |4 n9 s6 R( |8 Z
) t- j: c3 Q$ W! w1 y& S2 w8 M" x- m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
$ O% |; \2 ~8 l& A7 [2 K9 @9 s4.3 /path/to/pdf/file: 输入的源PDF路径文件名

* ?2 ~" @' n( d( L; u2 z5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
+ j3 S% g: o6 ~9 c6 E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。
3 e2 H1 L& h: ~$ L( Q效果非常好。

: l& r7 S9 q/ d) p5 y8 u# q4 Edeepseek，qwen，chatgpt 三个，deepseek是最好的。
. j5 J3 `$ z. @/ e9 D; t
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。
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。
+ r- `" ]1 E8 s/ G
- @/ z( l. v# ]9 [7 {1 t/ [. KAPI到目前为止，差强人意，不如网页版本修得干净。

deepseek可以同时开四个。

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
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 ...

% S( k& ]/ }6 O$ i# H% k! Q8 z$ H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。

7 |  J# Y2 S+ H# G$ B) x% ?1 A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

0 S7 l/ L) \; H. `
已经搞定.
+ @- r$ R* c/ {7 N# l
- }' |  g- ~: Q8 P! L* `) |' f首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

! d# K, L9 I- B4 `% o1 [1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
6 V: V0 I2 G8 E7 z( K
, J+ o" }0 K# L) d1 V8 c. X! L得到text file
. n7 u, x3 \  W8 c3 k$ _8 W8 M
' c5 r0 W4 s( K* M& F6 Z' C3, python 读取整个outputfile，丢给deepseek 矫正。
0 A0 K+ c! P. Y. S" P; I2 d
模型是 deepseek-chat
0 \6 e; M+ a$ y8 P% \: B3 F
max_tokens 最大是 8192，别的不用改。

2 m1 f# _. x* W3 \6 z参考：
https://api-docs.deepseek.com/api/create-chat-completion

6 s5 ~; L+ q4 G$ A/ }! u2 _4，费用：

- _6 {  X+ M# r3 q3 A实测：

2 e! N' [- W6 \& V296K 字母，用了 9 美分。

& m4 [. A: I, m5 H8 l; A+ f英文字母 到 token 用量大约 1/3
2 c3 T/ \% H2 c
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

5 L4 _0 H6 M$ o8 b6 f# t( j8 N32899 个字母花费 11782 tokens，包含输入输出的 tokens
' N6 c2 v( L4 V; q3 x: M& G
! D8 ]8 f3 x! ^* L  f价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
+ `: v, ^, I4 q$ a; Q) Z
# ~1 B- y$ l& Y4 J5 ihttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
- u, n6 q4 L; ~2 U. @- C1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
0 C' z" ]8 C  p& Z$ R1M TOKENS OUTPUT(5)                                              $1.10                $2.19
8 t9 H7 B8 n% j9 m4 R7 |
5, Balance

* h6 P% b) o2 K0 D# C可以在程序里调用，知道每次运行结束后，balance还剩多少。
" t& a9 |3 e9 o参考：
6 p3 A2 m2 \( K* N# I7 l, m0 z3 {5 ehttps://api-docs.deepseek.com/api/get-user-balance

) o) Y  Z9 T5 u+ G9 F6, Models
- K% v1 B1 ~3 d3 x
+ W, y1 x! t8 {  d& T0 W目前就两个
2 x3 T# M6 b, k0 l2 [4 G# W- R# deepseek-chat
8 Q8 U; J/ ]4 n5 W) w# deepseek-reasoner
! M" K7 G. t4 V
" Z0 w, d! a+ q4 J5 A% A参考：
5 I6 N% W" G9 F( V, \* c& X4 y  Mhttps://api-docs.deepseek.com/api/list-models

, N/ G& K( M4 ^8 y' G, s7 t
4 c/ Q. o8 G8 t# A8 J, z9 D4 e7, 问题
; z' `( J, K5 k6 O) c
# \6 ~9 S' D* i& ydeepseek 会将前后两段合成一段。
  t- s0 V: v% r& L; T0 O& [8 [/ J2 y特别是那种大量的对话的段落，deepseek会给你合成一大段。
; \0 N- }8 F4 h5 z* @
7 [3 a" j$ f( ?. f8, 钱说了算。

) y! m' m8 n, l& O  j  m- Vdeepseek 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。
) Y  X+ i. y$ l0 T  c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。


& B" C( s! g3 Q