利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

把PDF上传，然后让他抓取文字，并修改可能的错误。
  S2 X2 Z9 B+ M$ _$ F/ }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。
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 ~' S2 j2 d5 i9 Y% V( i====
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！
# {8 B5 @+ |, k* ?4 ^; b. H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。
====
  C% m' P) F0 g# G7 C9 @7 c) 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。
, z9 _! w4 d- ~* w但是任务多了后，每次翻译的页面数是减少的。
; z* U- ]5 L' w% L1 [好吧，我五体投地，继续探索。
9 I( S; l) A' ]' z6 ^, D====
- }: \1 d1 ]2 b4 X& }" ~  y9 V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。
====
$ W+ c4 p; m) T* \# e好吧，有些东西是不给翻译的，哈哈。
% B- l- O# @* L: d
Sorry, that's beyond my current scope. Let’s talk about something else.
====
# o7 s8 l# _  K然后我的英文命令也让deepseek 帮我修改，呵呵。
====
' O# V0 a0 k. E- n0 y" T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。
====
4 L4 t. a  a$ f) h0 a$ t" o$ @3 D6 P" F时间段的话，北京时间的下午和晚上用比较好。
; E; [6 V# a2 g* V6 L' g( c后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
/ h% }& E2 F* I- S5 m5 H0 H, p% C+ B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" |4 G) ^

/ |, \4 x# s4 q* ~4 s1 }9 ]+ {
8 }- O/ c  v# g& B# y! `5 v

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
# L9 x, C" Y! r5 y- j# {这功能很赞呀

; U( ~4 b( A, w$ B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

) Q/ R& \  T" ^. D+ A( B. ]6 I
* m- a4 |- p9 U& H* U( @0 ]0 L以后让deepseek 读出土的竹简
- @: G, j. u9 ]% l( ^) v' n
还有把古文翻译成现代白话
& Y2 O! x8 \8 w( e  d
% Z3 M- W0 k) P3 M/ s6 ^4 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？
: Z0 t! |& s% A0 t1 o! Y& ?) \
" h* w" S* Q. w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
请教是如何实现的？
: C( A! y- K% [  x6 T" d4 z
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 ...

) c4 K& \$ E6 z0 d+ i* s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。
3 {) q# f9 n  r( v9 ~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。
, H( S: Y2 [" c

nanimarcus

方恨少 发表于 2025-2-3 01:23
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 ...

; a1 @3 y6 S% K# zhttps://chat.qwenlm.ai/
  ^$ Q9 `7 I! r) {试一下千问，估计美国人没有攻击他，所以资源敞开用。
+ \4 K2 e2 `* J+ O4 f. Q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。
$ k8 D$ q( X7 V: ~2 a9 L; W0 ^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”。

- s/ t. O2 K7 ^- w7 A- O/ Mhttps://github.com/oomol-lab/pdf-craft
  p! C  _: D# @& E2 x1 v
) ]8 Z+ d. }4 q; X/ I4 ~6 l1. 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# w3 C3 J) A6 J4. 把下面的内容写到一个文件里，例如 a.py
' G- S5 E, G9 W% V% P% Z2 _
+ J" t8 m7 V$ s4 ]$ c

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   ! P* n3 r1 K: m8 |' |- {
3. extractor = PDFPageExtractor(
   ! K5 ~6 C5 E( a2 }: k, @  Q+ C/ H, m' ~
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ! s( ]& g1 R/ E- n
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:
   2 Z& L2 t1 x, I. h
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

; Q7 w) u  t( e) u5 Q0 ~" A! \要修改的内容：
: P* u+ i  n0 G1 F  y" B4 g% z3 n4.1 /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
; x% y" V5 U# r9 K# Z4.3 /path/to/pdf/file: 输入的源PDF路径文件名

" }' V% p' f7 P: w6 {/ H* ~( H) H5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
+ t5 Z& L) z) D  Q9 o) e先写个小程序，把PDF按章节切成小的PDF。
/ W6 F% b9 c  P2 H4 L# [然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

2 ^% R3 ^: \7 d7 u' |5 [5 Vdeepseek，qwen，chatgpt 三个，deepseek是最好的。
+ }" T  s) ?' S5 G
( s6 d6 p2 A. qdeepseek 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。
) p2 x9 _+ y1 n3 q6 K
9 d1 O' @. j0 ~/ X# M0 _4 k$ ~API到目前为止，差强人意，不如网页版本修得干净。

+ s" G1 l7 z( ^6 T9 f! ?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
* _! F: R( z+ P4 Y$ t- \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 ...

7 q3 X3 z  F  S' m$ @; N细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
# W: d& g6 @4 e0 n' t细说一下，听上去很不错，多谢。

- H$ a4 U- ~9 _8 s; y. c" c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

9 b7 K8 z+ h. i  ?; Q) p5 B% Z0 q
已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
. I& a0 y4 |* T# [
1, python + pypdf 按章节拆分小的PDF
* B, S# e  j) p; d
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
1 ~$ |) V  w8 r) M- ~! j
4 L# q0 F& U; y( r$ x/ L$ H得到text file
( H6 Q) [; Z7 V' d
8 t1 ^, w9 y% G+ {3, python 读取整个outputfile，丢给deepseek 矫正。
; e$ @; F; X5 J6 q" l( D
模型是 deepseek-chat

6 L# F: n6 [$ Jmax_tokens 最大是 8192，别的不用改。

- {! _( i1 X% f9 F' V6 R- U参考：
3 z% }; M* z5 fhttps://api-docs.deepseek.com/api/create-chat-completion

, Y: T) f2 `: i4，费用：
  P  C- L; \1 A1 M) P
* |3 B  A' n% q& q: i  J( Q实测：

0 D  \! p$ J8 @5 ]" \296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
: O. B' d& `& J; D# y. a& u3 U
6 G" @; q/ @& ?. C5 }32899 个字母花费 11782 tokens，包含输入输出的 tokens
" h1 J+ W- Z( }6 w9 F9 j
价钱，非常非常便宜了。
8 C1 J$ v* D" f- V1 S# a! q3 l
参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
% }/ S! \/ i$ V2 H7 m# M1 @
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

$ x& @4 X; _: M' I3 v" u% K9 G5, Balance
, ]. H  _) p  i/ D" c2 [
6 t, ~6 A% E/ @6 A) Q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

8 B5 t- k7 x6 E3 U3 w( l6, Models

目前就两个
& o1 w: y8 O& Y( n; e" z6 k# deepseek-chat
  j. c8 \  s7 y+ F* b# deepseek-reasoner
' k, y3 }2 U% c
. k7 Y  `: c4 [2 K参考：
5 |: H; D+ o, B/ S9 N/ _* e5 a2 k& Ehttps://api-docs.deepseek.com/api/list-models

4 _  }( b! a% a  E& p9 @
7, 问题

deepseek 会将前后两段合成一段。
/ }; L2 T5 Y* V特别是那种大量的对话的段落，deepseek会给你合成一大段。
, V9 C5 D2 R$ d1 A- U- v
3 s$ ~3 F* a; E8, 钱说了算。

; p, i, _  w1 h  e7 jdeepseek 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。
: n+ c) a5 D" [2 |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 X. q4 [5 R5 a0 h1 M( G/ [7 I
3 X1 E# S8 g: ?: a' d' V) w