利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

9 q1 B, {0 l5 X9 n" Z; u9 h/ F/ o
1 w3 U5 e5 s# A/ K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。
, l, m4 e, Q7 e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！
. f& ]5 P: ^/ p1 [====
中文也很完美。
经验值，每次十页比较稳定。
  B2 O$ J, c0 _( y# r& q现在我这里API还不能用，等恢复了，全自动了。
====
: C. T$ ~" E' V第二次疯掉了！
; n* y* q) F! L  A3 R+ ~0 O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。
+ ?3 p2 k1 E6 F  ~) \4 o; e====
/ B6 A7 D/ o. Q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。
" v( V& h3 j* |8 G5 {3 p9 P====
' G+ S6 [8 Q9 K5 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。
3 a6 @3 Y" A8 Y5 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.
; D; P* _4 x+ u; y% Z7 }5 A====
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。
====
/ y5 v& c/ x5 t& o5 N时间段的话，北京时间的下午和晚上用比较好。
- h; _6 Q! ?4 L( _5 ~* Y后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
5 `- {0 L6 T5 ^# P& l7 J====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。
/ x+ H+ m+ a- e
0 U/ p  F" o' G8 b: l9 @/ L
# _5 Y0 P; _6 K

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

8 V( v3 P9 q; p4 w, A1 P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

, O. g$ z1 U6 V) p* ^以后让deepseek 读出土的竹简
* v) d5 G. c" ]8 b
# g' m( x  i4 i" R1 W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
5 I3 U$ ~4 L& ]0 r+ @, l请教是如何实现的？
4 h' s3 R- q# W5 v  o( C7 v4 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 ...

# N2 ^8 Y. R2 E6 m1 c* d4 S
! ^& c9 {: i# m6 X; s' D+ K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。
# r. M4 g9 y5 ]9 q# ~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
请教是如何实现的？
* E' h4 p! A( ]! Z' R- `4 a! q
8 F' S6 L- d, s( \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/
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。
3 c9 r  O9 a  z: u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”。
. |+ H4 D2 Y+ B" Z( _4 n: w! W, L
% i0 a$ E/ i8 H" I& U+ S) X3 zhttps://github.com/oomol-lab/pdf-craft

+ S2 J. ]1 b# _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
3. pip install pdf-craft
) ^- {5 u. h6 v3 W1 L4. 把下面的内容写到一个文件里，例如 a.py
8 e( [1 o* J8 o: W* r4 [# K6 J
! k, B) d8 G) _7 C4 y( i

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   7 k6 A, b- n9 ?6 J" E) ^1 [
2. 
   1 T5 j3 \9 w9 `+ F% j2 R. J
3. extractor = PDFPageExtractor(
   + e# j  f/ H. z2 ^; R" ^6 k; T
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   * W; f% B6 W! }1 g
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

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
4 Y/ F" E( k% Y2 i4.3 /path/to/pdf/file: 输入的源PDF路径文件名

3 e# @2 c) O- }6 C1 x. _5. 运行 python3 a.py

nanimarcus

' I) O0 ^4 q1 g* q1 t3 k
5 g4 t7 h) q, q8 O7 K( s; p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。
1 l# v: @: \- S$ k1 }# d然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
, w# y% @* ^& x# {效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
1 O/ E# ~: g6 `7 }) v- 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。
) {# i; V8 H1 p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。
' G: O6 p: Y+ I* W4 x) v我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
; a1 r+ s- C- o7 F+ ~
API到目前为止，差强人意，不如网页版本修得干净。

/ f& e1 e( ^5 h7 h6 `5 tdeepseek可以同时开四个。
% M% B  h+ N. P  G# N

三力思

( I' B; f! j% x! D
  }" W1 v$ e5 `+ v4 U  o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。

7 `+ s7 |7 m3 u7 @8 ?( [5 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

已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

( n/ r3 J) N* ~1 t& x1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
7 j, }, N7 A( T% x1 j3 O
得到text file
) Z8 Y" F5 p- T( H8 e* I
3, python 读取整个outputfile，丢给deepseek 矫正。
; T1 E2 \. ~5 q! t0 y3 W
" _9 M0 k4 L4 p, _" M模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

参考：
" r& X/ W) _, j9 O" Mhttps://api-docs.deepseek.com/api/create-chat-completion
6 z' K0 f& C+ u# V9 C: ?
7 ~4 s: A4 a5 Q8 C; k4，费用：

! u+ v6 y! c3 Q+ [% x) w- P6 t实测：
. p% _3 I6 j/ A% r7 d
/ L1 I4 z$ J" @296K 字母，用了 9 美分。

5 b. _8 v: F/ c) v. O6 M4 }" }英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
% O. q! |7 c; f. S% D) E
32899 个字母花费 11782 tokens，包含输入输出的 tokens
% Z+ }# k% U# s" E* F& V: L
: h- W3 y$ D- u! D价钱，非常非常便宜了。
& z# v6 E2 M% M9 f% j$ x1 E
- t6 \( I; e4 [4 Z' u参考如下可以计算，懒得算了。

* P5 X2 s  S: r4 thttps://api-docs.deepseek.com/quick_start/pricing
- v5 K- F( V9 @) {& i
. R# z# }; c/ b8 I; U; P1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
, c& J/ n1 E) W; w1M TOKENS OUTPUT(5)                                              $1.10                $2.19

, n- d1 ?+ {+ y1 ?) p5, Balance
7 b: M5 [! W' e) a
6 g6 Q3 e1 _5 Y2 A; C( w) ]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

6, Models

, d. B- V+ o; F6 b) J目前就两个
# deepseek-chat
# deepseek-reasoner
' g! r. e0 A1 f5 B! ~* r8 Q
参考：
4 m9 ?  V  |% J: k  P5 O+ M6 _9 u# r: ^https://api-docs.deepseek.com/api/list-models

5 }" i. r* @3 c) Y! G6 l
7, 问题
1 i2 A/ I  R% E7 C# i) [4 p
# n" n4 O5 Y0 s* Tdeepseek 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。

: g! v* M% s) q3 N1 _& ]8, 钱说了算。

+ J# E/ o6 O# @7 z# ydeepseek 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。
chatgpt也是这样的。

4 g9 A3 S7 m9 [9 K) T. Y
" \2 I. B# M! O6 _3 P