利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

) ?7 b0 Q, \4 D
把PDF上传，然后让他抓取文字，并修改可能的错误。
% j4 L* V) T* s$ ^7 W+ v" q/ N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。
. e" X0 s9 }; M我要疯掉了！
: @' }. L) W- t2 t" @- P  y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！
  Q! |9 w  {4 n====
中文也很完美。
* {% s, n  T) w- r4 c/ V9 W( _0 x, m经验值，每次十页比较稳定。
" v) b) M; D# I; b现在我这里API还不能用，等恢复了，全自动了。
" V2 ^, w6 B  F====
6 o/ }, u! m1 a( n  M* ?+ X" U第二次疯掉了！
. R" H: g" o/ \7 D- q) p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。
. y  A$ ~" n0 E; l0 W$ y- ^2 @3 `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。
; j; U/ v0 ~7 A4 F  p  W====
; W: v3 y& {3 A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。
; B6 T0 \4 K+ V. j: s====
* F; u0 E( P$ g3 e3 U5 p1 q, H8 p+ W好吧，有些东西是不给翻译的，哈哈。
  |) d2 a% o0 _, G& B, X' P
6 o' V- M' g' q9 \0 nSorry, that's beyond my current scope. Let’s talk about something else.
; P0 Y* I3 x1 Z9 l' V0 @8 G% ~====
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。
====
; a# N) `9 U7 T+ e' M时间段的话，北京时间的下午和晚上用比较好。
3 |( u2 u5 U0 R5 F! s后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
8 ]( H: _' r3 \/ l, a====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
  x( H5 `: b$ i+ v9 h- _====
% a) C! s+ N: ^& \Deepseek，API 看上去可用了，但是不给充钱。
6 q: N* K' ]& i0 i7 C2 b( L
8 |/ h+ @+ q7 [4 z) J3 e2 N8 }
! c7 F/ L6 S( C! o
5 O+ U% S5 {  W* p; H* i/ L- |

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
9 A- j6 B# H8 A5 I! f) M这功能很赞呀

/ d1 x8 k8 W' E; ~9 p& _% K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
/ Y; k3 `3 ~! K3 @# M- Q' P, T- q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

, U! Q) u- e7 O. T, _
以后让deepseek 读出土的竹简
& T- s+ g) e1 Z
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？

8 G3 m9 U8 ]/ r' `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？
3 n3 z. C7 G/ c# \! j) A* s- F
1 s( r) F4 M* B9 U  w( A$ 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 ...

4 m- \% S# k8 X& u. E4 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。
- P- N9 K/ Z1 n! p6 f3 E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。
, b1 V) F4 j, ^; E

nanimarcus

方恨少 发表于 2025-2-3 01:23
4 H$ E7 l$ v- B, u: T$ \" k请教是如何实现的？
1 @1 L1 W' ~: ]4 n  @+ ~
% B' S( k4 \8 H: n0 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 ...

https://chat.qwenlm.ai/
. e6 W) _! D( \  d/ O) O" J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”。
! s& @6 e/ }: t1 Y. b$ ]' v
https://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
, J! C+ H2 {: E" q2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
: }2 ^. z0 G: [; z- j) L- y( V4. 把下面的内容写到一个文件里，例如 a.py
% K3 ]1 Y4 K. _1 L: X. ^8 g! @: x/ f

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   % {; F9 @! g; G; D
2. 
   
3. extractor = PDFPageExtractor(
   9 h5 ?6 T; E) H
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   / M$ b8 C# ^* l- x7 [
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ) @7 t, ]0 x. U, I1 ]5 K2 S
6. )
   % E1 [  ~: p$ s) l
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   5 F7 Y. {2 ]1 ^1 z% I( H0 A+ T
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   % h, ~) L- g" c# a$ @/ n& e; @
9.     md.write(block)

复制代码

$ W; Q- c# A: b7 B
要修改的内容：
. \% L0 }6 Z8 O" 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
! A+ ~: S/ ~& p3 N4.2 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
7 |7 O. B6 d) y6 U$ {
5. 运行 python3 a.py

nanimarcus

' [, q( M7 g0 I3 x1 t; g
/ Y5 B. K1 M0 q" `+ p1 J目前为止PDF转纯文字的最佳办法。
& |2 ~2 K" T% o) B先写个小程序，把PDF按章节切成小的PDF。
9 I: y9 f2 u+ O' c' u8 }然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
# R+ |% }4 q1 O' f3 k4 ^+ e效果非常好。
* ~& O& L  a1 c- F1 }4 a* N
& F* p: e$ Q/ |7 m  D; ndeepseek，qwen，chatgpt 三个，deepseek是最好的。
$ w) r/ a6 C" r" _
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。
1 S, \4 g% g% F) ~4 ]% g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。
9 c/ [8 Y, g) q9 `
deepseek可以同时开四个。
2 ^& M* |/ ~3 Y. m& r% a7 P

三力思

3 ]$ Z2 `' A+ V4 O8 J# t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
6 Q4 _/ q4 F, L$ P细说一下，听上去很不错，多谢。

$ ?1 s, f3 R, S0 x  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

: I* {+ j1 t+ ~9 L& {
已经搞定.

1 p( e$ b8 z9 J: u% T/ [5 e. _首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

1, python + pypdf 按章节拆分小的PDF
7 h0 y* ~1 w* S) g0 j
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
0 o3 w7 O) c( C$ L+ Y
得到text file

" k5 C$ y% l/ x6 T" O0 q3, python 读取整个outputfile，丢给deepseek 矫正。
" \( S4 S* H' |' Z5 i. e% d  Q
8 ~9 D# y" ~2 Z* e; x$ [% W模型是 deepseek-chat
' g$ H3 x) |" t7 z7 j5 ?' e& v
1 Q+ b7 {% g0 L& ]max_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：

实测：
$ S2 Z$ S! k' c$ ]$ f9 Z6 d3 X
  f# q3 E' _& g# \* {: S! i296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
6 q% ?) x; o, k& i" ^+ S
3 D7 V8 k7 P9 A+ W* ftokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
! C0 y6 j6 E' N
32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

参考如下可以计算，懒得算了。

4 f# S3 P7 U0 Z& ~6 m$ I; jhttps://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
3 H2 i3 H0 H1 A: y5 S1M TOKENS OUTPUT(5)                                              $1.10                $2.19

( Q8 t6 Q* _+ {1 I4 E5 m3 c! q5, Balance

7 Y: M5 C/ z! F' d, [9 x* Y可以在程序里调用，知道每次运行结束后，balance还剩多少。
, m) v" g( L7 M$ `2 g参考：
https://api-docs.deepseek.com/api/get-user-balance
5 d  I' @( m( T
# e0 Z+ x; Y7 l7 T6, Models
& x5 B/ c4 z/ J  }6 K5 ?; @. Y$ B
6 @+ `% Q3 L& o目前就两个
* M2 L5 j# R$ N1 J. |# deepseek-chat
3 N: y+ Y- k+ d1 }" T' n" u# deepseek-reasoner
5 l* M* S. C0 N; }1 G
( a0 r5 E. y4 r0 [0 ^% {) k参考：
https://api-docs.deepseek.com/api/list-models


  i* @/ S: ^0 v$ _" `  l7, 问题
5 {+ n& j$ j9 Q, O- b) |; x
deepseek 会将前后两段合成一段。
! B  T6 [" x* @, @! w9 M+ u" a  m特别是那种大量的对话的段落，deepseek会给你合成一大段。
* L4 y& K* q8 v$ H
8, 钱说了算。
* S. @( s1 c- {
  k( l* m" E$ \7 ]" x3 \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。
- j7 F/ A" u. T但是API就不会出现这种情况，毕竟我们给钱了。
chatgpt也是这样的。


  y! x' e! u! k; {% C