利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

! R2 m* t7 m+ N; i+ a
% m( j# `# U" f* K+ s把PDF上传，然后让他抓取文字，并修改可能的错误。
2 Y4 K9 W1 k! p2 B" v/ Q然后deepseek完美的完成了任务。
5 b) S. f& q% r" J- Y5 \段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
# s& x8 L6 V) \% M3 b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！
/ H% t" p$ r' H. z# V" D====
( D+ B( ~  Y0 N4 q- e2 [中文也很完美。
经验值，每次十页比较稳定。
! c" @, z9 Z0 c) M现在我这里API还不能用，等恢复了，全自动了。
====
6 W! Y' w# O9 Z5 w$ o/ C' s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。
! |" v# w* @' h6 C( p. K, ?====
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。
====
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。
( y0 l9 H) [* Z  L====
好吧，有些东西是不给翻译的，哈哈。
+ e5 h" A6 T; q* a
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。
0 j/ `8 b% o. `" q  Z4 I& U====
4 o0 B+ G) Q# d' f/ 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。
7 Y; ]# K9 ], d) b2 \- g0 |7 N====
4 a; M5 k4 m: E/ Y# n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。
https://chat.qwenlm.ai/
' }- v8 L% A+ W- F+ p====
Deepseek，API 看上去可用了，但是不给充钱。
+ Q" ^% I2 N% _) |  B: a" \! ?
( g6 V0 o' r- ~5 l

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
4 ], w7 x4 s6 u* Z' ]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
# y. b* k; j  B: ?8 v) ], x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

, ?+ u* Q0 }" z7 z- k以后让deepseek 读出土的竹简

* b7 C( g, e0 d还有把古文翻译成现代白话

$ F1 r2 Q( P' \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？
, m4 R; h/ |& i$ M
: q( v0 C6 V" z" \  |7 m" s$ g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, r) o3 H  J% _6 `5 F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 ...

6 [5 v' ~6 H  I& }1 n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。
8 ]2 N7 k- x; S$ c- ~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？
7 E; c2 w) |( U  U2 ^) 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 ...

# S$ \" _5 b7 p7 J8 {% I: Rhttps://chat.qwenlm.ai/
  h+ \& T3 c+ r: j% J! E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。
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。
2 @" C- X, i0 e$ ^' {2 H0 v. M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”。
+ q- W+ `$ _( H6 ?. {$ E# s2 l
https://github.com/oomol-lab/pdf-craft

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
, H, S- z" d: ?6 S7 L) S3 T* B# {# n4. 把下面的内容写到一个文件里，例如 a.py

# K; m# w& K1 ]

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   0 O  k  g* t! E" T% O
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:
   ; S0 z! [- c. [  W. s8 ^
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

6 t6 W0 o9 v/ q! G4 w% j0 o8 |+ ?" G0 n要修改的内容：
  O* c  f1 @' J) O4.1 /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
) d% c, P& \  I: A3 @4.3 /path/to/pdf/file: 输入的源PDF路径文件名
2 ?9 x- F8 d9 Z* @$ ?6 H- ^. f6 u
% m3 I. a% C' M1 C2 X7 q5. 运行 python3 a.py

nanimarcus

1 J% ]- K0 c3 y4 t( A% 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。
! ?* S8 T% _+ _( D9 {5 G8 [然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
2 z6 s& H& W4 D5 p3 F效果非常好。

5 m# }% j7 d/ X, Q8 h9 y$ J& adeepseek，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。
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。
. V1 h9 [) @+ _( g: q' F( E+ V, x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。
7 f' g6 B' m2 C  D
deepseek可以同时开四个。

三力思

9 i* h. a0 b: X6 ~' s4 q
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 ...

& ?9 q  I6 P* }4 E$ C细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
) J5 f7 {1 ?% v: W细说一下，听上去很不错，多谢。

" _. _7 G) e, Y4 x3 v) N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.
* Y: q8 |& @: I1 W2 ?, ?# G( F
7 j: V1 ?9 d/ v% e1 d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
; |" {( h: a! C
, f& t$ u9 r" j: x$ |得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
8 k) b4 L: o& B7 o& w9 S3 i7 A9 L
. b  Q7 s0 s3 Z$ [max_tokens 最大是 8192，别的不用改。

参考：
& t4 ^5 d- g4 z- }; p$ Nhttps://api-docs.deepseek.com/api/create-chat-completion

4，费用：
6 ]8 k' u* M! u) @
实测：
2 Q& Z3 R1 Q& L8 A6 y. r: H( J
( y7 m, b: e1 G: U! n4 b+ \296K 字母，用了 9 美分。
. G/ e3 d/ \5 `' A# Y
- @* f' {5 c+ b  n; T9 y, X英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
# ^& `# W5 ^, [2 o: n
( |; g2 P0 h/ r  }32899 个字母花费 11782 tokens，包含输入输出的 tokens
6 l% |3 c& T" Q, m. ~4 \9 ]0 l+ K
价钱，非常非常便宜了。
: d, j$ o8 n* l9 E+ b
& w* b, x! y  p! I$ V+ N5 y# E/ [* y参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
& y" ^. l6 v$ S4 C# o
9 m+ M( H  t, {2 |1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
) X, p, r) r- Y: ~8 G% H5 m3 F1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
$ E% D6 H1 l( b" B  M" i6 n+ @1M TOKENS OUTPUT(5)                                              $1.10                $2.19
( |/ }8 o. y5 y/ y/ U
% d0 i+ [1 w0 c+ P9 {8 f- `5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
( S( a1 X7 a2 @# G( ~# }4 \8 L参考：
# U/ @5 ?% v( P: k# Chttps://api-docs.deepseek.com/api/get-user-balance

0 W. }. j  O9 N5 h* \; E4 u6, Models

( M, A. r4 J' S, D目前就两个
4 x. S2 r+ [3 z8 I3 ?# deepseek-chat
* M, J. T6 A. b5 R3 f" ^, f4 a# deepseek-reasoner
! G1 i, Z8 z( C
参考：
1 `3 j/ \! g2 ?) A9 s" e7 |https://api-docs.deepseek.com/api/list-models
! M8 a4 ^8 P6 m4 e! ~  c

, s$ G% u# B- ^+ N7, 问题
+ a( @. X3 A; G% q5 j/ B
  ]* M2 H+ I3 Sdeepseek 会将前后两段合成一段。
, q, ]+ s/ k& Z- |6 A/ ^, P+ x特别是那种大量的对话的段落，deepseek会给你合成一大段。

/ d6 b" Q8 D5 ~9 u8, 钱说了算。
# o( g, y. S3 u  l& B
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。
  L) ~! r% S: ]& G8 h3 u但是API就不会出现这种情况，毕竟我们给钱了。
; I4 L' ]( W7 x- ^chatgpt也是这样的。
/ J4 C% m4 ^0 O; j/ V

+ p$ X4 {* u$ K' j( ?6 Z2 J0 a  t