利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

6 F( [+ A0 |. q
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。
段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
5 F3 H% B1 E( I8 t- n4 O# \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！
! X3 {% c/ h: a* [====
中文也很完美。
) Y- ^; Q% z1 U( D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。
) O& O% D7 B) H/ G, `====
% w) f8 H9 Z4 G/ I) L8 T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。
====
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。
====
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。
====
/ o* e7 t" S% p' Y0 O2 v好吧，有些东西是不给翻译的，哈哈。
& r# _' U3 r- {) N7 O
" ~$ F5 N2 W0 C7 W6 h/ s; P3 u* CSorry, that's beyond my current scope. Let’s talk about something else.
& n  @: k# c2 i$ C- D====
& r+ P  I: |# z# k; M3 I然后我的英文命令也让deepseek 帮我修改，呵呵。
====
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。
====
; q3 z+ [- C1 h% d2 _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。
https://chat.qwenlm.ai/
====
  P. r& w$ s# M1 n7 w% Y8 e' ]Deepseek，API 看上去可用了，但是不给充钱。

4 f4 v4 U2 O% [1 D

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
  u* }4 [2 B7 x! s* l有没有上传整本书试试

0 |" t* q& I) t" J) Q" E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

9 d; x" L" j$ F3 P9 H: n6 n还有把古文翻译成现代白话
% a; k" ]6 N9 `# ~6 P* c1 N3 O
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？
- B. }: y5 c4 [7 R
% o2 U4 d0 u0 r! ~" |+ 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 ...

6 q4 x8 g8 d8 |8 J9 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。
+ M8 ]6 M; a# @( n/ e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
6 Y8 K4 A( F( 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 ...

, L4 I$ X& ]3 e5 n6 `https://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。
! ~1 W& W& F5 B+ [. D0 N7 J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”。
5 c4 C) l$ A$ ]3 c  O. a6 H
% ]' J6 |& w, D* ~9 e! d; fhttps://github.com/oomol-lab/pdf-craft

6 T2 t- q, p4 a+ o7 K/ y  b1. 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
* U& U7 f0 _6 L5 E5 ~/ J) ^6 j3. pip install pdf-craft
( w/ Y, p8 _% u1 u5 Z4. 把下面的内容写到一个文件里，例如 a.py
( @! X' d# y/ Y8 _. ]
2 M* o( N  E1 g% C& U

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   4 }# w( O! z2 p& @7 H: c/ h
2. 
   & ]2 ?) g3 g; b$ s
3. extractor = PDFPageExtractor(
   * U$ ]7 x* i( k) ?/ E1 P
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   " {0 E2 h5 r7 U! `* \+ v! {
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   8 }/ k' u* K  I0 O, `
6. )
   " ~% B6 p8 P6 O' {0 f. M
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

. X' `7 t. |) T. [; G, C' K
! p! E/ z5 h+ d要修改的内容：
) q0 f8 [1 X" E9 J, Y* U9 R/ \3 I4.1 /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
( R. O6 z% {% Z: o4.2 markdown_path：输出的 markdown 路径文件名
6 U8 U* x: K8 Z0 p7 ]# B4.3 /path/to/pdf/file: 输入的源PDF路径文件名
8 h! E* S4 A* O3 k' w, B, h
& {. l" P7 \' [4 Y2 n5. 运行 python3 a.py

nanimarcus

# H* z7 c5 U1 e5 T, ^# A  X8 r( w
" w. u1 @. _4 y目前为止PDF转纯文字的最佳办法。
+ i* f9 L4 \/ F3 T0 d先写个小程序，把PDF按章节切成小的PDF。
, t0 E9 p9 {2 F  A# _) b- L  b4 F然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

$ Y- _  [* `9 t# e' {deepseek，qwen，chatgpt 三个，deepseek是最好的。

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。
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。

9 f! v0 k- C" ^9 M1 C3 PAPI到目前为止，差强人意，不如网页版本修得干净。

3 ?: A* p/ C: A2 k. @5 h+ fdeepseek可以同时开四个。

三力思

5 P. f1 y; H) m& i) q
) v' C* @; }" R: H. n2 [+ H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
% L2 ?- K9 D. Z3 k3 C7 f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 ...

$ m2 O7 U; h9 L, _( ]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。

0 q) g& z9 r% ?; a1 [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

已经搞定.
9 o- U5 ^/ K$ O. O6 k5 O& ^6 ~
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
* r7 ^& o: \9 X( P# W1 V! j0 k7 p& Z! _
) l1 g1 T4 a6 I; o' A! Q1, python + pypdf 按章节拆分小的PDF

5 Q0 V1 C6 ~6 A2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
6 e' g+ j0 a1 m2 T
7 G0 E3 o4 K$ U* K! [得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
) c- h4 x. R+ c
模型是 deepseek-chat
# ~$ e1 U8 q1 p# ^
max_tokens 最大是 8192，别的不用改。
8 y) q: y8 `% i5 f% V2 |7 k- N
6 u& o7 Y0 l9 t1 f/ ?. T参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：

实测：
5 r4 U/ ]; E- p7 ]" i% I( H7 [
296K 字母，用了 9 美分。
# c" U0 V2 ^# X. V
英文字母 到 token 用量大约 1/3
  _0 S) W0 ~  P
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

! V+ l0 |8 V) f) ~9 C+ f! ^4 U6 y32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
/ o' l! m: R& J3 E$ \+ ]
参考如下可以计算，懒得算了。
! E+ N# z9 G- z3 B& F
https://api-docs.deepseek.com/quick_start/pricing
& Z) ]3 N9 t- ?( v5 c) x
3 E0 g0 G- R+ ]! u1M 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

9 }+ }6 ~6 A1 p- i5, 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：
5 U/ G! o3 z& u( ohttps://api-docs.deepseek.com/api/get-user-balance

" f" _: U5 ]$ A( N, \$ L6, Models
, N5 h- J( ~, h1 J% l1 ?, G, U: v
目前就两个
# deepseek-chat
0 n8 c) C6 W+ n0 g3 ]' L# deepseek-reasoner
# m0 a- z* A( E( B
参考：
https://api-docs.deepseek.com/api/list-models
0 X6 \2 }/ D5 X3 A& S

5 J. N& h* |+ M! ]" r7, 问题

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。

8, 钱说了算。
' k5 U3 _4 g+ \4 Q
. e1 s) f8 k% f2 y5 r$ a" udeepseek 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。
( @$ G! _. ]* w# }% P* P: A5 g但是API就不会出现这种情况，毕竟我们给钱了。
& Y4 ]# d% ?  o4 Y& fchatgpt也是这样的。


. I6 a! s3 g( @0 _6 Y! ?