利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

6 G( W2 `2 p2 j; X
5 {: f0 f/ I+ L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。
- B# S( Q- l: u/ R' H9 A段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
7 s0 \5 Z+ z1 ?! Q8 |' e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！
====
中文也很完美。
8 e# X2 z! b( y7 b# r% ^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。
: K3 l+ ~5 ?9 C2 o====
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。
! ]6 `( t' y" D0 t: t====
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。
  P0 C1 X  a0 A7 ?/ c: V但是任务多了后，每次翻译的页面数是减少的。
4 U) ~' m' d' c: _( x. V3 X好吧，我五体投地，继续探索。
0 X% h0 y5 \" d3 _====
4 Z0 l' c2 l: |3 W- Z" F! o0 F8 j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。
" y* ~+ C# E$ }9 ]* p====
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.
" g% j' X3 m1 @. j8 J- K( f5 q====
然后我的英文命令也让deepseek 帮我修改，呵呵。
8 f4 T4 |! {3 G5 a====
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。
/ r: N8 q, ]( U/ e9 a4 h====
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。
6 T. X+ P: E) b0 Q0 z  x& E8 {https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。
: m+ s6 p+ r( t* T0 s
3 t* v8 s* z4 }( E* w  T
/ ^9 J4 J' V6 E  U, r- G
- O3 w0 h! ?9 O& m4 e

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
* D( \. T7 R( Q; ]; y这功能很赞呀

" u. E2 H: `1 a; _. @6 Z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
" D3 J# d: |2 z! j& T- f有没有上传整本书试试

2 h+ j. g/ S" R4 T! O7 y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
) f2 P7 _( u8 q/ ~! [
% X- F" v, B8 P/ N7 d% O* V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？

  _9 m, q" d8 [4 j0 Z6 o( t$ x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
3 t& r  V0 }* g% r请教是如何实现的？

  A, I( q4 b3 M/ E8 Q7 O6 H7 T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 ...

0 l( U. V# F( K: B# [0 x3 ]& P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。
& V& V7 F9 r% B: l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。
$ W; b0 S6 n) P" L

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
6 Y& B( b$ Y7 }" P. q
6 p" o  O9 ^/ Q) p3 x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 ...

- @/ G7 p; N* c4 E+ f2 Uhttps://chat.qwenlm.ai/
2 b1 `( R6 `: z5 s  [* m" _- r试一下千问，估计美国人没有攻击他，所以资源敞开用。
( p* A0 v3 P- S# y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。
+ U+ W, z4 e$ h* W2 `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”。
$ J$ k$ Y3 l- J" s. Y) d4 x/ l
https://github.com/oomol-lab/pdf-craft
& ~. J( `, S4 s. i9 f+ p' f
1. 这个工具要求装 python3.10
# t3 E  ~/ O6 d3 a2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
# I# t5 t1 v! y# E! b3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
- \9 D) ]3 M4 D5 ]% C3 }$ Z+ D
. R1 g9 u+ @0 X  y0 V8 j

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
     d5 @4 \7 U* G8 v5 T3 u
2. 
   7 Y. W4 [1 q! w6 _
3. extractor = PDFPageExtractor(
   
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
   
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   . O. r2 t0 {& j9 }- o5 W7 |7 m
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

/ U2 C. l. P# P
6 I8 {+ r! A/ {' K6 S要修改的内容：
; z* o$ m" B& G' _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
  t: W5 A% ^2 f& x
" M% J% g, j: v' i9 M5. 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。
效果非常好。
& R" w( H+ P& x$ G+ O! v2 @1 S
deepseek，qwen，chatgpt 三个，deepseek是最好的。
  p1 B; @: t/ p$ S  ?
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。
: \  J4 {% a+ u9 J" I' K3 S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。

( k2 R  m0 ?8 o  ]API到目前为止，差强人意，不如网页版本修得干净。
! i, B! t4 z' |# w* w* _
deepseek可以同时开四个。

三力思

: p: g. i) C# x+ S
9 J) d8 E5 ]0 G) v2 T) N8 c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
# a1 {: Z% S- Z( @9 y$ r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 ...

; U, t1 n+ o, ]0 E- |$ c9 U6 s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。

' V# @/ H7 l7 K8 a0 ~8 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

  d+ W4 I3 Q" v3 n0 W
已经搞定.
2 T( p5 f; y; f; ~3 ^: @1 p
, a. L% Z, J9 t, s4 R( k首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
$ n! M1 h4 K  U% A0 ^6 \# k4 T
+ _# |2 K  O9 h+ E9 Y* n! a5 k1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

: C+ m- x! o0 o3 d. z" N: Y( }得到text file
6 S) K2 J( H  n0 b
3 E& {1 D. o9 R6 x6 S% |- Y( U3, python 读取整个outputfile，丢给deepseek 矫正。
; i' F5 f5 M8 g. {# v, e
模型是 deepseek-chat
1 z/ n- i% U! X( f5 m3 Q6 U
max_tokens 最大是 8192，别的不用改。

: q0 h4 G: x; E) \- O参考：
https://api-docs.deepseek.com/api/create-chat-completion
" {! K- @0 o& r
. s8 e3 i+ i  @4，费用：

实测：

296K 字母，用了 9 美分。
6 i+ c! |# _9 ~! r
0 u' [) F9 Q5 X$ ~  d英文字母 到 token 用量大约 1/3
$ T% y  D0 z: Y# |" a# l
$ r6 z6 j7 y$ L9 ?tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
# L& k8 p9 O! M9 K
! j/ B% q; U3 l, i! A3 G7 M32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
* T6 `0 a/ X" a1 ^0 d' l; `
; s& a. Q9 Y  w7 Q4 C参考如下可以计算，懒得算了。

1 E8 ~$ a. e$ E$ A4 h% X: hhttps://api-docs.deepseek.com/quick_start/pricing

2 P4 C! S/ N& I  H* z1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
, K# F0 l" x. c1 K  |1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance

, M  X( ]; k  b可以在程序里调用，知道每次运行结束后，balance还剩多少。
. n: w  ~/ E( l* o& _2 e% R- Q" i参考：
' V1 e8 q: P1 W, d. E, m3 \https://api-docs.deepseek.com/api/get-user-balance

1 o2 B( R5 s) q( y% b% [  \5 e/ v% B1 D6, Models
" p6 s6 t6 q# n' J" o! w
目前就两个
4 L- O6 R* n% ~  i# deepseek-chat
. T, L: t# w9 |+ g9 b0 d5 O: T# deepseek-reasoner
# E/ o4 v! r/ g2 x* m, k7 I8 U  p
' S0 I7 n/ K1 u+ ]% v; ~0 Q参考：
https://api-docs.deepseek.com/api/list-models


# o% I3 h& ?% _7, 问题
# ]* X% ^' q6 Y0 Q9 b' w$ U
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。

& }" S" g% C2 ?, l( j8, 钱说了算。

; N% \* H# H. Ndeepseek 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。
  ?! a4 k! F  y+ t, fchatgpt也是这样的。
- @& L# e. i, Z/ s4 @7 ?) q0 s! A