利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

$ `4 W9 X/ P1 y9 f* `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。
/ D/ _6 @7 |, _5 N段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
' [  m5 {1 C- U: s: J1 g; R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！
4 ^+ R# F) m  F0 P$ x3 n2 G6 N====
中文也很完美。
$ q9 M- L; C, ~/ [( k  c* P* x经验值，每次十页比较稳定。
& \1 _- m, |. u% ]现在我这里API还不能用，等恢复了，全自动了。
====
8 Z) S9 R) W9 a0 H4 f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。
====
2 t: e7 F2 A6 K' P5 X; B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。
6 C) i/ v/ e! D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。
====
* r; N: }6 M- V0 L- d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.
' Q% ]3 ]5 r% a% B; C2 Y% K====
然后我的英文命令也让deepseek 帮我修改，呵呵。
. v' u( I2 {8 l8 h; Q- y# }# X====
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。
====
7 q& V5 n* b/ Y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。
7 f, i4 Q$ {% {# E5 C0 Fhttps://chat.qwenlm.ai/
====
- f, y' {! C3 pDeepseek，API 看上去可用了，但是不给充钱。

/ D6 g# r# `0 M5 p

" C; v$ I- u0 K' @+ }9 V

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
2 f' |( f8 d) k: t. ?% r/ t这功能很赞呀

7 j+ Q* q: s+ z5 x. A+ 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
有没有上传整本书试试

% d9 n+ Y' d9 r% v# j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
4 k, I9 _0 Y: Y% B
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？
0 B% \" D( {: [, s. }
$ b  P0 i% [9 R3 t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 ...

! h* |1 {3 S8 {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。
% v7 j, k) g0 q( Y# O8 L& l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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

: r; [- v' s. C1 Q  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 ...

https://chat.qwenlm.ai/
$ n4 e8 r2 ~/ B; U/ j8 a试一下千问，估计美国人没有攻击他，所以资源敞开用。
. H5 H5 Z5 @& f# t5 a很稳定，质量不错，好像最多一次处理15页。
) ?* s3 o1 j4 j: R" @5 e. J  k4 T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。
' F6 B* i7 p: \! |  y/ t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
0 x; t& @! v/ N5 q5 |/ O2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
& d3 j1 Z* X4 a7 [, R' J- c" V( w3. pip install pdf-craft
: e, ]) A2 ]+ \# S2 p* G4. 把下面的内容写到一个文件里，例如 a.py

5 W4 B2 A2 |- d) @2 W

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   . _# L0 k$ ^. m, Q+ T8 y# D9 X" x
2. 
   ) |5 P. _( h5 X+ E$ p( F; N0 V7 a% E
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:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

  a/ O$ f! P; J* S+ \! g
: I4 q1 Q" e$ T7 S% R要修改的内容：
$ `/ E( \' v9 v: n7 |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 K9 a7 D: O, `4.2 markdown_path：输出的 markdown 路径文件名
# V3 L- o) B4 o4.3 /path/to/pdf/file: 输入的源PDF路径文件名
- A. d, a+ k8 c: J% H4 Q
5. 运行 python3 a.py

nanimarcus

, x( a9 m! Y9 _, R$ Z
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。
8 p$ a( X, |. Y" e, @% o然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
# t$ e% a6 j; {! T
) B) Z, C: a( T; [' C. O0 Jdeepseek，qwen，chatgpt 三个，deepseek是最好的。
8 f3 ?9 `! C& G& E# a
1 M7 M+ m( q* a  b; h$ qdeepseek 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。
6 V' u; N2 A3 r9 @5 F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。
6 d+ W' k9 r, T: M6 G9 [' _我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

" f% \# S+ o7 N0 F- `$ V+ WAPI到目前为止，差强人意，不如网页版本修得干净。

+ }* i, V6 K) t2 {; w& R- s8 Adeepseek可以同时开四个。

三力思

; c3 m4 r9 b# L+ Y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 p/ u( J4 x8 p" w细说一下，听上去很不错，多谢。

+ s1 o8 V& B$ l, A# d( Z( d) B) m1 N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

0 P* d( n( d/ M, P( s1 O: ?
* F% x; K+ K$ G已经搞定.

$ S, h5 f" f7 }$ A6 H! `首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
5 r9 o: w+ z. `8 I
, R$ W9 f( f2 B1, python + pypdf 按章节拆分小的PDF
3 {2 k2 N3 F& I, X! b
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file
. s" s( c! w8 E; R3 X+ y9 {
3, python 读取整个outputfile，丢给deepseek 矫正。
( R/ [9 ~3 k7 |' Q; s9 p6 A
9 x* _1 n5 l7 T; k4 E! W) x模型是 deepseek-chat
. C9 o; k7 O" n! W7 t1 Z) R0 [/ h$ P0 X
, j" N9 c0 v3 {& T0 g7 Ymax_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion
, T- @$ e* d9 o% a. d: I( u+ G) `8 E
* `3 r6 G9 i% h8 j4，费用：

实测：
2 w3 s/ i' d! \1 n
296K 字母，用了 9 美分。

  m" r$ N$ n! Z- ^, a+ a英文字母 到 token 用量大约 1/3
# E7 c9 X) X3 ^6 ]8 W) a
3 h- r) u- P" Q- Rtokens: 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。
: p, Y, r. b' G& Y
  q- l3 G2 p+ ^. j9 X2 N, u参考如下可以计算，懒得算了。

9 A% @6 `9 R1 S  c# Nhttps://api-docs.deepseek.com/quick_start/pricing

# }8 C! a6 b1 ?# O5 o- ~1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
) G% l0 Y  d9 P. A3 \( O1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
3 ^/ k+ Y( `# ^6 f
5, Balance
; Y% B" m! g  Q) v6 T3 ?! \8 k- y
可以在程序里调用，知道每次运行结束后，balance还剩多少。
1 H' x/ Q$ M7 l2 ^4 T! v" U参考：
https://api-docs.deepseek.com/api/get-user-balance

0 f  D# _; ~3 G5 q& H, m6, Models
; Q/ _. ?% N' z4 o1 D
6 n. e9 m7 q0 T1 k目前就两个
9 q7 n! ]; y0 u+ ~- \- d# deepseek-chat
* C+ w- l9 S) ^4 G+ E5 I# deepseek-reasoner
1 h9 m" U5 h. M
参考：
https://api-docs.deepseek.com/api/list-models
1 H0 ^5 c) u. B; e2 T8 g
/ Q  F* H* \2 ]
0 t4 J. _: N" H* w! g+ _% J4 W7, 问题
% S3 }  m! I, ~9 Y* ]/ ?9 g0 A) o, o
deepseek 会将前后两段合成一段。
5 D; r1 H2 a3 w  s& I5 T特别是那种大量的对话的段落，deepseek会给你合成一大段。
7 n! V' S9 X7 e) D8 w
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。
& |4 S  ^/ `) L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。
/ |& J4 L+ P8 e: k) n# h# U
6 u0 w  u) a( j! S, T! L! ^9 s# C