利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

) |4 l9 u5 J9 F
把PDF上传，然后让他抓取文字，并修改可能的错误。
: x! P& p! I) e2 N0 a  |然后deepseek完美的完成了任务。
  i- ^% Q( U- H" ]% w段落清楚，列清楚，页眉页脚全部去掉。
* j+ b2 J6 ?& {6 w  @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！
3 a! f' F# T7 N3 }' }====
: T3 X& Z, @2 H" M! h. Z: e7 \中文也很完美。
3 e# p! L. O& B% A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。
/ c& E- `9 r6 c" f8 T  Y. ?1 T====
0 ^- P* S0 \7 x8 |: ]$ P第二次疯掉了！
( e  b5 s4 p& Z. b5 Q4 N# s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。
====
7 {/ c$ q) Q$ |9 ~! f% n6 y7 O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。
% g* @, v& k; d3 I====
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。
====
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.
====
9 c# a9 W; Y6 Y* J然后我的英文命令也让deepseek 帮我修改，呵呵。
: V, |1 t: o% S1 y/ v) U====
0 B1 i1 S$ J9 H+ W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。
2 H8 C. z6 c$ ]! S( c( l5 K0 t====
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。
* G: _0 K8 _* ~5 g# O3 M3 G====
  m( g9 ?7 @2 a. W* I/ A用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
% x" q$ ^0 t# v; O====
- ~4 Z0 n8 g" w- O$ b! \; S/ gDeepseek，API 看上去可用了，但是不给充钱。

9 ]3 A' c( N' }

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
9 B9 Z$ T% K4 V; H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

% V1 G3 g7 V% ^& v! z5 M
( {- ^% f# h% X: I' q* M* a7 @以后让deepseek 读出土的竹简
7 V! o- T* o, e! v
还有把古文翻译成现代白话
$ X! F" p. G- l7 A: g
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？

5 }6 q) h7 c3 a2 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
0 ~+ e1 `9 G0 t) h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 ...

4 k! F8 W% K. U+ 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。
文字之类的没问题。估计deepseek现在暂时只保证主要功能。
- U( F' S4 k2 _/ y9 A/ ^0 H1 ?' V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。
$ d1 k  ?7 Z! H& v

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
! {8 f% W* p- }, O
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/
) s+ z$ S. o' i6 c- k! S试一下千问，估计美国人没有攻击他，所以资源敞开用。
- O+ X. ?, v) G很稳定，质量不错，好像最多一次处理15页。
; e9 a$ d/ s* B( 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。
4 x' |, G7 j2 x8 m8 N7 }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”。
7 s+ A! W: n' Z" J
https://github.com/oomol-lab/pdf-craft
# }/ Q) |3 l8 y7 Z
1. 这个工具要求装 python3.10
0 O: J: K# p  u3 {1 [2 c0 q* D2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
. H4 Z7 V- X. S3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
9 p# O8 {$ c1 P4 M7 w6 j9 B( ]
6 Y7 k, m9 Q+ e7 K+ A* i1 V2 o

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   5 z, Z% s- X9 ~- O+ {5 C
3. extractor = PDFPageExtractor(
   - H" @5 @4 Z9 H! |4 {
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
   ) C' M% a; \; Z
6. )
   8 N0 I" H. R" O# ^: ]
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   " j/ \" V! C& q8 K! V+ L
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   : v5 g2 {, z* M+ d, u
9.     md.write(block)

复制代码

# ^, D( N7 w0 Z0 B. U6 h- \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
8 x+ Y+ Y  z: Q& V" @+ H8 |4.2 markdown_path：输出的 markdown 路径文件名
: R) X+ O( v( t, l& E4.3 /path/to/pdf/file: 输入的源PDF路径文件名
$ U* w+ I' _: m" w( Q; ]7 c* N
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。
; @, i" h2 |& p" u1 ]$ y; _然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
- i& e5 t1 y/ S3 J4 Z7 S效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
/ w- f- i* h9 e8 H0 s% q
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, E; j4 Z) ?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。
' P: L& @$ ^7 E$ z我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
2 L+ L5 c* A3 I! B
API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
8 \( G0 B6 w- e; d! D8 ]2 l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。

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

+ I8 a# x8 z8 {0 y! l/ L已经搞定.

4 r& t/ V0 a6 J+ Q" I首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
8 w% N1 B( i$ O) V% T! b
1, python + pypdf 按章节拆分小的PDF
8 `2 g! I5 @" h$ u6 S) e9 E
$ [: y2 R& `& |, p) V3 u5 ?4 F3 h1 [2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
4 N: b$ c  p# s) E: `$ u& h
) g1 N* k& ~$ i1 Q- W4 d, `得到text file

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

模型是 deepseek-chat
; [! B0 x2 F0 @- j$ K' L
/ T: l, I$ S/ w; X% `max_tokens 最大是 8192，别的不用改。

( y  ]* C1 q% x参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：

9 ]/ O1 F' K! F实测：

296K 字母，用了 9 美分。

, F: l" ~3 c: d1 x英文字母 到 token 用量大约 1/3

6 k" {# W0 A+ U" _* s; ~tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
  c  l, n0 p& M2 S
+ y7 J! R* _, t6 E32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
- \$ y4 ~: q- A
; P8 O' V# E/ V8 |参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
- H& w: g, w' z( K. x2 M* a  F
) [9 n! i$ F6 k3 _- H! |1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
# K  ~: \9 Q6 V8 }5 e1 l
" N$ G5 K2 b& V可以在程序里调用，知道每次运行结束后，balance还剩多少。
! w% q0 r/ }; o7 R参考：
$ m* F4 b( @6 }( k0 p+ Chttps://api-docs.deepseek.com/api/get-user-balance

4 ~  x. A7 J" f' e% w6, Models

目前就两个
# deepseek-chat
# deepseek-reasoner
7 G! p3 [- e1 `  N. v
参考：
https://api-docs.deepseek.com/api/list-models
* L# P, m1 W# z2 x4 E+ g/ w

7, 问题
- y5 A  ]' }/ ~9 d9 _, n8 ]
deepseek 会将前后两段合成一段。
; V$ i  U3 \; a8 [* o+ t* [- i特别是那种大量的对话的段落，deepseek会给你合成一大段。

$ u0 @/ {) j- Z% n# z8, 钱说了算。
' m+ K% {! L* V- p) N, i
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。
7 H6 Z2 C# l, U- |但是API就不会出现这种情况，毕竟我们给钱了。
: N2 N3 s: G, d+ v0 Qchatgpt也是这样的。