利用 Deepseek 抓取PDF的文字并矫正。
本帖最后由 nanimarcus 于 2025-2-6 22:17 编辑把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！
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。
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。
====
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。
====
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.
====
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。
====
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/
====
Deepseek，API 看上去可用了，但是不给充钱。
这功能很赞呀 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。 有没有上传整本书试试 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。 本帖最后由 马鹿 于 2025-2-1 15:43 编辑
以后让deepseek 读出土的竹简:lol
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 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。{:214:} 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。
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。
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 ...
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。 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”。
https://github.com/oomol-lab/pdf-craft
1. 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
3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
from pdf_craft import PDFPageExtractor, MarkDownWriter
extractor = PDFPageExtractor(
device="cpu", # If you want to use CUDA, please change to device="cuda" format.
model_dir_path="/path/to/model/dir/path", # The folder address where the AI model is downloaded and installed
)
with MarkDownWriter(markdown_path, "images", "utf-8") as md:
for block in extractor.extract(pdf="/path/to/pdf/file"):
md.write(block)
要修改的内容：
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
5. 运行 python3 a.py 本帖最后由 nanimarcus 于 2025-4-16 19:50 编辑
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。
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。
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。
本帖最后由 三力思 于 2025-4-17 12:27 编辑
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 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。 nanimarcus 发表于 2025-4-17 16:33
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” 本帖最后由 nanimarcus 于 2025-4-18 15:39 编辑
已经搞定.
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
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
得到text file
3, python 读取整个outputfile，丢给deepseek 矫正。
模型是 deepseek-chat
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：
296K 字母，用了 9 美分。
英文字母 到 token 用量大约 1/3
tokens: total, 11782 completion,3729 prompt,8053 | s:32899
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。
https://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
1M TOKENS OUTPUT(5) $1.10 $2.19
5, 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：
https://api-docs.deepseek.com/api/get-user-balance
6, Models
目前就两个
# deepseek-chat
# deepseek-reasoner
参考：
https://api-docs.deepseek.com/api/list-models
7, 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。
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。
chatgpt也是这样的。
页:
[1]