利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

: u" h/ S8 @7 h5 C" w
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。
9 J+ @& N! g* C8 @段落清楚，列清楚，页眉页脚全部去掉。
- W& l7 R+ T4 P- Q, r+ ?我要疯掉了！
& c' T$ [7 L  l2 h4 v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！
) f7 R! N7 Z( H$ c0 c9 G1 c====
中文也很完美。
经验值，每次十页比较稳定。
4 a/ N! Z3 `5 d( i& c现在我这里API还不能用，等恢复了，全自动了。
====
第二次疯掉了！
6 q8 B. d: X* u8 c8 `) V6 e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。
. t3 T) S. R8 K0 |# U/ `====
! s) e$ ~5 E  }& O6 i8 J7 _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。
, s  y9 P2 ~! G4 @1 ^! ~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。
====
* X5 s% {' k6 f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。
: M7 G+ q2 d( U3 k====
好吧，有些东西是不给翻译的，哈哈。

' D% Z1 p9 e" M! a5 e+ ~7 aSorry, that's beyond my current scope. Let’s talk about something else.
4 X1 e9 f+ b5 u& O====
1 ~2 o1 P" `8 L: ]/ J0 C3 L然后我的英文命令也让deepseek 帮我修改，呵呵。
====
/ T5 x, ?, G1 b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 E: i6 N; z- G4 N4 e5 [) C8 w8 O5 ]====
4 m# a$ C8 M9 c) o时间段的话，北京时间的下午和晚上用比较好。
7 E" Q4 f8 ^, R) Z7 |. s6 J. w后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
4 A0 ]2 y- W' Y. q% F2 A====
, n& M. o  u; n- E  c0 ^1 q用千问吧，非常稳定，非常强大。
, c+ G' W4 ~9 Q: N1 Whttps://chat.qwenlm.ai/
" ]) i) E7 D. ^: v& b' x; t====
Deepseek，API 看上去可用了，但是不给充钱。
0 g& r- Z% z/ T/ `9 K

( L+ i' m' j; X: P8 D$ {

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
! c7 [: }+ O" l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
$ }& J( G) w# _: a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

以后让deepseek 读出土的竹简

/ Q4 @( v/ r1 C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
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 ...

  Q1 W( v6 B* A' R& ]) l0 N' g) d5 q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。
& l8 v% ?) _3 l; z. G3 M: C* a文字之类的没问题。估计deepseek现在暂时只保证主要功能。
2 e/ U; K8 }# {/ Y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？

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 ...

( @( ~+ e7 ~# @6 L  y% |' W* i3 g9 f( Fhttps://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。
% e+ }; @& k! p6 [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。
3 E/ j( I; }$ t$ [1 R% I% ^& I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”。

$ e; M6 D) W) [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
5 [0 s2 P. |- q# n* G3. pip install pdf-craft
8 z5 q& J3 k8 d. c4. 把下面的内容写到一个文件里，例如 a.py
: X8 E+ A; [! l' Q# y
/ H8 V" F  n% k$ K4 b. \

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   6 ^6 v0 T4 W% L' K
2. 
   3 D' Q3 |& r* J9 V/ @1 u
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   1 w) a7 H0 i& R- o" k
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   # ~3 D& l9 z1 y" X
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   * K3 V/ D7 h( W" E7 R
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
     K/ U0 h4 b. o: c, T( ]$ A
9.     md.write(block)

复制代码

- a  o! g: T8 w; \% C1 s: B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
! [+ ]3 h2 [- Q8 {( _" s9 }4.3 /path/to/pdf/file: 输入的源PDF路径文件名

+ v; \0 Y; @$ r+ i" d8 }' W* d5. 运行 python3 a.py

nanimarcus

$ E+ M5 c$ |2 ]8 M; u8 b2 j
; ?: X6 n0 [; F: R3 O目前为止PDF转纯文字的最佳办法。
& p+ @' Z3 @) R: G6 {, |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。
! q8 b* l' s& x. H效果非常好。
' @* o- r# J; }: [4 w
& o# K% ]6 W2 Q. bdeepseek，qwen，chatgpt 三个，deepseek是最好的。
! ^* X- L) \5 B) ]2 E
, m# n/ m  z* I) Vdeepseek 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。
5 s, S/ X! S- M. }7 X' p7 {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。
7 \/ Q" ^6 A6 r7 k% G( ?* b; D5 j我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
6 q% e/ W" `  e7 _. y9 X
/ m2 l+ v6 J  m1 t1 kAPI到目前为止，差强人意，不如网页版本修得干净。
( ?- L2 Y  `: _
deepseek可以同时开四个。

三力思

( U# ~3 {) a; a2 ^& M; P" `3 F, K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 ...

0 t/ K; G9 z8 `6 U细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
/ E, ?/ Y% @, m5 ^8 Z2 U# T细说一下，听上去很不错，多谢。

6 ^& N' m6 r* O3 t/ U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

! ]' T0 O  _7 P$ h* J
已经搞定.
/ j' U% \2 K- o2 ]0 r) K
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

9 p! V1 L7 f1 o* j1, python + pypdf 按章节拆分小的PDF
2 x+ w' c2 r3 s* l  ~% p
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
) c; I7 |8 d& }' t
得到text file
4 m+ s% t( o' w! G, Y: O
$ m# W1 i+ S" g6 k" H8 s9 G) ?5 R3, python 读取整个outputfile，丢给deepseek 矫正。

% V: `8 \+ V$ D  f/ p5 I模型是 deepseek-chat
9 Q) H. C2 {: m; g. z& f8 t
max_tokens 最大是 8192，别的不用改。

. S4 k* g* X* j0 [5 j# V参考：
! j- C/ v: r8 r, Hhttps://api-docs.deepseek.com/api/create-chat-completion

4，费用：
1 p3 j* L) Q' u' ]- E" {
实测：
2 K+ T( e1 z9 g* k' \
; Q  j: K4 q+ R0 t296K 字母，用了 9 美分。

' W; t2 v0 A3 y- x4 j9 _/ ?英文字母 到 token 用量大约 1/3
( o! ~+ u1 C! y; J: }2 }* A* ~, m
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
! F& n7 {5 j2 \  L/ J0 g
32899 个字母花费 11782 tokens，包含输入输出的 tokens
# ]" x, J. N: W+ s5 J
价钱，非常非常便宜了。

参考如下可以计算，懒得算了。

2 s8 B* H0 E5 `$ s4 F5 V, Ohttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
, t" s% f0 v. q4 O" T1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
. A6 A) g% B* s! l1M TOKENS OUTPUT(5)                                              $1.10                $2.19

0 G9 E* i; P, ~" d5 [6 e# x5, Balance
( k# w' V# t2 v$ `7 M" ]! m5 m
& w5 D* E8 o6 Y6 [( [6 ]2 G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

% ^% m  F) e" {! u5 ~3 h+ r( \6, Models

目前就两个
. D( d/ Z3 ?" m% N  `# O# deepseek-chat
7 }; P, ~/ W1 v! }: H# deepseek-reasoner
# ]) q. X& `) v
( o; W# i& t' D9 u! `& v2 o+ M, M参考：
( }) |# q$ y4 u4 N/ hhttps://api-docs.deepseek.com/api/list-models
) J3 q  z: X$ z! g) C" Z& I

8 g( Y' X) M6 I/ b2 q, n7, 问题
$ y- R  ?  K, T3 E$ {* f  B3 b
deepseek 会将前后两段合成一段。
( V: _6 o1 g' _# \2 w特别是那种大量的对话的段落，deepseek会给你合成一大段。

8, 钱说了算。
  {# j& ^. z: Q4 c+ ?, `
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。
! v) R" N  A6 N2 {, B& V' ^/ V但是API就不会出现这种情况，毕竟我们给钱了。
4 L: f) o8 p2 ?; H- W. R% Dchatgpt也是这样的。

! k( `# {7 L' R2 ]. v