利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

% e/ F  f$ k/ y+ D+ i7 C$ [5 f, t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。
) E' ~' i! p8 v! c段落清楚，列清楚，页眉页脚全部去掉。
3 u  e+ A; \- {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！
# F3 g0 }2 b1 n9 t2 o, j====
2 Q3 Z! {5 y5 m0 ?9 e/ o  `中文也很完美。
5 D0 U7 P' E) X3 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。
& h& ?9 V8 [6 r5 s2 ?) |====
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。
9 Y3 |) Q' g9 m; N2 {% E2 @. }, C" V====
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。
% c2 Q! p7 O, D6 l1 L0 [8 F好吧，我五体投地，继续探索。
====
9 S( K) ~- h; d/ n) z9 M; 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。
  R: C! R: v, f, U( t3 ]$ A====
. N9 h$ ^$ Y9 e0 s好吧，有些东西是不给翻译的，哈哈。
1 Z% l0 u# }7 ~) @" B0 E6 r6 j
Sorry, that's beyond my current scope. Let’s talk about something else.
====
0 y  d) H! W+ @. D, m4 G) t4 L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。
====
' [8 N* o( x! Y. s7 L* c# v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。
====
7 Q" ?% S, W" v+ u: B6 s用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
! j) D+ v9 z3 V" A% h; v====
Deepseek，API 看上去可用了，但是不给充钱。
, \& H! r9 |, [) E7 [) w

# m' D) [5 P" d
9 @/ R) y& T- M0 c7 A4 q

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
- H6 a( \2 z  F这功能很赞呀

( m% A; \: i& E+ a) W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
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

% O6 T8 ]! b3 d; U9 c  [* y) }% r
: d4 I( L" d: [; s以后让deepseek 读出土的竹简
- k8 ?3 H' d" J: b
还有把古文翻译成现代白话
" ~5 F' }& E* r6 [7 L/ 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？

! x: ^8 j1 Y, y* M1 v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 ...

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。
  N: _* k6 b  ]7 T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
) m, a+ E0 u* O! `2 p1 @请教是如何实现的？
' b' u; Z% P( n) J+ a
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/
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。
) t1 X& u: O' m8 p& T- r( m2 s- b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”。
7 P! @$ G9 X0 g4 k0 m- Q
https://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
5 U' {+ o' I3 R) X$ e2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   7 O% M. U; f( B* B5 L0 V
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:
   ' h! {) J4 }7 W/ ~9 p% _* Z
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   4 y1 @+ M8 O& D2 N+ P, a
9.     md.write(block)

复制代码

要修改的内容：
) T* g+ k1 \+ ^0 g( k9 O/ P( T4.1 /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

2 I4 v9 v" `1 u$ k5. 运行 python3 a.py

nanimarcus

$ z  o3 y1 O, k( _: W8 [
目前为止PDF转纯文字的最佳办法。
. H& A3 m$ ]" q% U( D2 [( r; g9 X先写个小程序，把PDF按章节切成小的PDF。
& |5 G; W3 w& k4 l然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
* B' A5 Y/ ]/ Q5 b; P5 q
deepseek，qwen，chatgpt 三个，deepseek是最好的。

' T0 s) I# ]1 G* O' {2 Rdeepseek 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 m6 Z# ?& m: m8 c) X# M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。
4 {: ~1 N# p3 Y
API到目前为止，差强人意，不如网页版本修得干净。

deepseek可以同时开四个。
/ P; W% }& i; [6 w

三力思

( Q' f- f0 D4 W! d6 E
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
4 ^$ Q1 m; Q' i' V1 H# b2 j1 B0 p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
细说一下，听上去很不错，多谢。

) S6 \' i+ ^, x% Q0 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

# P% b# d9 B, s( ~
已经搞定.

7 T9 M9 U# ~9 l3 C# O5 [首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
: _6 x9 f! O) [& o4 o4 A9 \. Q
1, python + pypdf 按章节拆分小的PDF
/ ]: n/ f; i  ^9 l5 y, U% P
/ q& s6 x' c8 b/ p# e2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

( l7 L- R; I7 e: n" v8 |得到text file
& e* ^: S# j. _
3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

+ l6 m! ]* g* }; u+ [max_tokens 最大是 8192，别的不用改。
. I$ V- I3 ?2 R- E$ C; m- R
8 W5 m! [7 o3 d/ I1 Q参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：

实测：

) D" {% D) I& [/ l8 A8 S5 K- F296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
4 V: k9 _7 v# r
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

6 }% S% Q& v- y6 L% S+ f5 ]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。

' s* C. x! I& m* h+ @. _https://api-docs.deepseek.com/quick_start/pricing

' [, P2 C6 S3 O, O. E& o+ i+ G1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
* ]& f2 i2 i! |* B+ S& R+ V1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
4 I; Q* E9 N2 a* @
可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
  `* b# O5 {$ \+ |+ ghttps://api-docs.deepseek.com/api/get-user-balance
1 d+ L$ Y% V& v7 P
5 V: C+ l' u: D6, Models

1 o0 a% a2 W6 \, m; l0 _2 P: o目前就两个
3 m* L6 r& A8 I2 y8 B# deepseek-chat
# deepseek-reasoner
2 |0 |. [# P+ ]4 }
( U% `  ^1 j+ n' ~, _; I参考：
" Y: S" a) f$ a3 zhttps://api-docs.deepseek.com/api/list-models
8 _7 a! t2 l0 N+ g4 e2 I/ V% [( F4 Y7 @
+ W# q1 v" Z* T3 L1 @) s- J
* L& b& K) {0 Z7, 问题
) Q- A9 G. H6 I; d1 V8 y0 z
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。
& @/ v8 f) b$ R1 |
8, 钱说了算。

" I3 y8 _1 L+ T5 i. `+ jdeepseek 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。
7 d" q: X, S* W/ @& l* achatgpt也是这样的。


3 D+ X# D8 @" e7 g) k' M