利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

; }2 _' C0 h! a$ q. g& d+ E把PDF上传，然后让他抓取文字，并修改可能的错误。
% [2 a* N9 R: E: S0 c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。
4 H! p, Z' T# q1 X3 Y* S6 ^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！
4 ^* @8 N8 {, A. ]* Q" _3 l====
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！
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。
====
2 [, n0 d* ?! J7 N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。
. r! {% i( X8 g' P5 e好吧，我五体投地，继续探索。
) ^# f- _! [/ p$ C====
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。
0 z, [$ ^2 g! X) v& z: _0 O& `
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。
9 \9 o/ f0 J" x0 |& H9 d====
7 s) `5 X. x; Z6 p; M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。
====
) D, f5 {* e( i* V& I+ K, ]时间段的话，北京时间的下午和晚上用比较好。
. w1 U. l) E: b; `( N3 ^; R/ r后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
( ^: J4 s6 E2 g6 v====
1 V$ N) |8 L( H6 D- Y1 f用千问吧，非常稳定，非常强大。
& u3 _& P7 P8 @* D4 {! J8 \, W! \https://chat.qwenlm.ai/
; j" N6 k8 D+ ~4 ?- g====
Deepseek，API 看上去可用了，但是不给充钱。
, K$ s' F; o) g8 o6 \" P) C" a% l4 j$ a

0 q; }" a# s) c7 @

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

  s  h  L9 w6 K6 [3 r" V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

6 p9 M+ {% u5 v. r, x% v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

/ h* ]7 t; H; p- i
以后让deepseek 读出土的竹简

3 h2 M; `9 n% s6 F7 l4 w% O5 G还有把古文翻译成现代白话

4 i" m7 W% Y% u4 u: Y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？
: I' v/ v6 J, W
, a+ Z6 ^) z8 Q# s/ A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？
0 J" Q7 ?" k' [/ _% C4 P: M  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 ...

1 h$ m# H* b* X& E% w  e" t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。
0 y! z5 E  q4 G4 H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？
+ S) B* {6 U1 l8 R. B
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 ...

- ?5 @" x  J  ^; J  Uhttps://chat.qwenlm.ai/
5 d6 g5 }, [/ N7 J1 m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。
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”。

3 ?2 `# x7 a: nhttps://github.com/oomol-lab/pdf-craft

, F' A( D0 S& J  [' j- y1 U. z1. 这个工具要求装 python3.10
8 M* U4 _& d. K. w, l2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
  X8 L( a% @/ Z6 D4. 把下面的内容写到一个文件里，例如 a.py

6 o# z6 I1 H# {

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   + R( g/ l" }  A3 |% A2 y0 e) t
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   " Y* L* T5 Y7 p4 V+ R" I
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   * t& `+ l+ _# I- F1 f/ c/ _: H
6. )
   5 ]9 @. R) K4 A# r  b5 p4 v
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   ) N& w  i  b& i
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
4.3 /path/to/pdf/file: 输入的源PDF路径文件名
9 q  z& M- r4 S7 @
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。
然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
3 ^. ^- l) N& O% u1 H+ v) u效果非常好。
: |  B$ O) y, \! h4 P
deepseek，qwen，chatgpt 三个，deepseek是最好的。

1 B$ ]9 u7 P$ ?& g% A1 u: E6 v  ldeepseek 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。

API到目前为止，差强人意，不如网页版本修得干净。

4 p  n) p/ Q! rdeepseek可以同时开四个。
; |7 M# A/ ]3 }* z7 U! v+ U0 {

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 ...

' ^/ y- V$ l& K% j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。

4 D, D5 e5 {4 `, @, s. q+ l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 g7 w& `* ^! ~9 Y  X& @
已经搞定.
6 i6 D+ E, c2 g
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

; T$ [! @/ d" S5 D1 p5 i& }1, python + pypdf 按章节拆分小的PDF
  L0 n2 Y4 L) M6 u( w
0 f& _( o8 V" D4 |' F2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
& @& w- w) X! [9 ^5 J+ J
0 o7 {$ h: m# ]& Z0 I. K得到text file

" y0 `% |% ^. K+ s- ^) p0 c3, python 读取整个outputfile，丢给deepseek 矫正。
) L& W* e* e$ e8 `1 g, D
' k* @3 K3 P# C5 ~) y5 j' h模型是 deepseek-chat
/ d2 y' N1 H& w3 N" ~; `0 [8 b& T9 {
max_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion
5 }% K$ h* E: V2 U% q' \0 b( ]
4 M1 Q' |6 Y0 z# \" _2 {- Z4，费用：
/ C4 M" N3 a& w' K
实测：

296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
; K2 C$ J8 `% A, z1 }
5 g' O0 q1 h0 \$ Y8 Ztokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens
# E0 A, `2 @# {1 T2 U6 G% l" Y# L
价钱，非常非常便宜了。
1 z# ?  {% r& D4 u* ?
% b4 J. _. y/ o2 {参考如下可以计算，懒得算了。
8 W# c) y" v; J2 x  {; M/ E- d
! Q1 Y0 o4 {1 v" }' ~. ]https://api-docs.deepseek.com/quick_start/pricing

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

7 v, ?" b! O1 x- ]5, Balance

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
$ Z, s) H- Z/ ~, F- G$ R' E
1 A6 o$ W4 q+ W( k目前就两个
8 x) ?! c0 D1 |/ ~& K; m# deepseek-chat
  X. X4 i+ s8 R( v0 l% I1 `6 `# deepseek-reasoner
5 E3 S- d3 m  ], |) B- S) \
参考：
https://api-docs.deepseek.com/api/list-models


4 m. u! n8 |) |: h7, 问题
$ g; G+ s# Z; I& D
deepseek 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。
" `7 k  G( d; ]. V+ F
1 @' [! ~6 o7 u& {8 y$ `0 |8, 钱说了算。

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。
但是API就不会出现这种情况，毕竟我们给钱了。
3 _( c0 j/ h) k2 Ychatgpt也是这样的。
, d# p/ O! U+ n( L
6 z, m+ z" v/ e& u1 g! ^