利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

/ o, n4 g- n" C
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。
/ G8 U# T2 F" w* \/ a  r) R' {$ U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！
====
: M# `" c$ X! J. M4 T) g+ ?中文也很完美。
经验值，每次十页比较稳定。
; g; F+ d8 I. a# s4 V现在我这里API还不能用，等恢复了，全自动了。
====
/ Y1 A$ b' C1 a6 z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。
====
  t$ l2 Q# Q& r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。
* o9 U3 w  R6 E6 [! t2 N" C====
9 u- H+ X+ Q4 C. m6 W5 ?4 U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。
1 }; k5 @8 @& H6 x) x6 I" D====
好吧，有些东西是不给翻译的，哈哈。
2 S# B9 ^) P" S0 f, ~) N7 b
Sorry, that's beyond my current scope. Let’s talk about something else.
  a; q5 s$ T/ U( p3 f+ {====
! z4 n2 Y1 J- n+ z然后我的英文命令也让deepseek 帮我修改，呵呵。
====
# m$ _9 y! x; J! m4 [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。
! c- b# _% v2 P$ g  W$ @====
/ x2 {0 F, ]1 z, i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。
====
5 {# z9 o7 ~4 o- i( K& `$ b* F用千问吧，非常稳定，非常强大。
% s% ~, p2 O0 r0 xhttps://chat.qwenlm.ai/
0 o+ S( N9 a. E2 Z+ @====
Deepseek，API 看上去可用了，但是不给充钱。

( e* e" E6 C$ H; U8 Z% I
7 D/ f- b: s9 C9 k4 |
  ~& |- j, _2 a

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

( J4 m5 U0 m) M: D0 y+ p) Y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
6 T1 S# H8 Z' W% j6 [6 \$ O有没有上传整本书试试

; ^9 J! A& j# d- F9 b6 g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

& \- t3 l4 Y. c! E5 n以后让deepseek 读出土的竹简
# K4 z, e5 ]6 w. e- c/ T" d: e
1 F+ ~& H' B* S/ z  _# M还有把古文翻译成现代白话
9 y4 G/ p' Q. D# W7 I
6 P2 ~6 _; H( S4 C1 q6 n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 V6 @) |: _0 s% u( s
( |& v5 A4 a# u4 W* N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 ...

$ \# j2 R' A. d  |0 O7 ]' ]/ V% J
* M0 f! p9 u; v% \/ e* @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。
8 T( s: b- _- m; h& O9 e# H文字之类的没问题。估计deepseek现在暂时只保证主要功能。
1 R( a$ y. F! |. j* j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。
% q" }& W1 |; A# i  @2 o& o

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

" Q/ n4 M' O& m, {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 ...

https://chat.qwenlm.ai/
0 E3 Q7 \& \2 l3 d( ]试一下千问，估计美国人没有攻击他，所以资源敞开用。
4 F; D/ h2 W! V- C/ U/ k7 G+ k7 Y$ K4 b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。
0 m2 y1 q3 P9 c! y* a4 }0 M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”。
# O) d4 a0 Z8 d5 v( D
8 m. D9 ], ~  ]) g, R* |' |6 Khttps://github.com/oomol-lab/pdf-craft
9 [/ ^7 ?1 B9 ]5 n, E1 A  O2 i
/ R% C" H+ |! p  x2 ]1 r- @: `+ m: v1. 这个工具要求装 python3.10
! T/ ?7 F. t9 j4 X# l2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
" Z3 D, V# F9 A) y8 }3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

2 Y$ v* x$ N1 o5 h* g; D

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   & o- n0 {2 i. i6 P  B6 o
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
   " s2 K0 h4 I# n: p4 p0 o
6. )
   ( T' k  O' l9 A& E6 Z' ~4 O
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   , W; w  K8 x' o: f3 a: a
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

( @! ?; w+ K* f+ u* H( [+ U- L3 z
要修改的内容：
' b$ _4 t0 M* m$ M4.1 /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
9 T9 Q+ E% ~7 Q7 B/ r. a& q9 r' h: S+ v4.3 /path/to/pdf/file: 输入的源PDF路径文件名
+ d/ P; i) Y4 U2 T$ y5 Z* |
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。
& Q* \1 H$ K* H( Z然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
3 T! L% W4 ^3 c
. z: k" f( y/ ^6 @  I1 sdeepseek，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。

API到目前为止，差强人意，不如网页版本修得干净。
# o' n7 W$ W1 l2 e- t6 b5 F
6 S) M. K5 s; C. H# Ldeepseek可以同时开四个。
/ R  T' u+ T7 I1 U* @3 i

三力思

& |. }5 h. G" K0 }+ 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

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 ...

细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
3 P" Z: f0 ~0 h% `9 Y细说一下，听上去很不错，多谢。

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

/ m0 Z9 X; ?# P+ V4 d
已经搞定.

" g  r. l2 c# E- K. B' c首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
! [4 u' z# f5 e) j" N7 C) t
1, python + pypdf 按章节拆分小的PDF
6 j& z6 l; w% `
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

& C9 [' l& W9 l9 o2 {得到text file
( F7 g4 N) T8 p, b6 [* k' |0 Y
' h# C9 l3 n  H* S8 R+ P3, python 读取整个outputfile，丢给deepseek 矫正。

; v0 w2 b+ P3 d- S7 H+ ]4 \* K模型是 deepseek-chat
- z6 u. ?. U. c" h, ]
" R+ x1 W: l9 Gmax_tokens 最大是 8192，别的不用改。
. [% n' Z( e, w8 _- L! \: {$ o2 ]
参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：
8 F6 l* l; o! S  w
  k8 w" g9 `0 x* B实测：

* d- @6 U& M, X$ k' Y/ I, E$ O296K 字母，用了 9 美分。
( @, M) P0 f+ E* j1 r/ c! o8 D" T1 d
英文字母 到 token 用量大约 1/3
: [. q8 [2 g- z, Y/ g
1 b2 ?4 r! D& ytokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens
& R* ?( Z& Q. R9 ]
价钱，非常非常便宜了。

; ?5 v. X3 S, e- r9 `8 r# k3 {. g" y参考如下可以计算，懒得算了。
# K, U) u: C0 i/ l2 G
+ V* }2 D( D; P  _$ N: D" k7 Z# h+ Uhttps://api-docs.deepseek.com/quick_start/pricing

  ^0 c3 z  ]6 V1 h4 q1M 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
- E/ _9 p3 \6 o
5, Balance
, m( b9 V& h% i* u, I
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
  Y! Z6 W! D1 c$ E
目前就两个
# deepseek-chat
# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models

: V6 g2 i3 K/ T& m3 D* h) J! }
7, 问题
+ L" Q6 }5 Q( j$ K  P5 X
1 X) h8 P* h1 \2 K3 Odeepseek 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。
# B3 L7 u$ L9 \: S/ I
8, 钱说了算。
) Z. G' N7 S6 O* j+ ^: @0 r
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。
4 O; r; T# a* {2 T" U5 vchatgpt也是这样的。
0 K7 L& [* P' N& [, M4 E+ B$ ]
' l$ b: M; a9 r+ z