利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

# R% w! W, q6 @8 X. U! f
+ S' }) |9 r) i3 y) L9 V& A把PDF上传，然后让他抓取文字，并修改可能的错误。
" k. q6 G6 b! i9 w3 d* D然后deepseek完美的完成了任务。
+ c+ y# b# p' s/ v$ w% [3 ]段落清楚，列清楚，页眉页脚全部去掉。
0 z6 u0 c* j" }3 b' S+ v/ q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！
====
0 [1 }# g8 {$ [/ y) ~中文也很完美。
经验值，每次十页比较稳定。
# Y4 w2 Z& \' {6 |) J- H现在我这里API还不能用，等恢复了，全自动了。
====
6 R; e; }8 z8 Z- ]9 C  ?第二次疯掉了！
/ W# E, @: C2 |, F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。
# i. i1 S3 w: O# L====
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。
====
/ Y3 ^- T# b8 x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。
  N6 ]  n7 \3 ~====
+ O6 D1 ^3 I: N5 w. R7 D, w  I* }好吧，有些东西是不给翻译的，哈哈。
8 v( N1 _* ]" L% M% _
6 H; l1 y( n7 l, ]! v1 mSorry, 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。
4 {0 N0 u4 R6 O* ?3 F; C====
$ e5 ~0 M! p$ ], r0 s$ r9 o$ L7 I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。
# x; Y  Z0 V2 Y3 ]+ y====
时间段的话，北京时间的下午和晚上用比较好。
  |/ }% w( i: Z5 _# Q1 i) {+ J5 O后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
1 }/ N" T5 ~9 F4 |" ]# f! `====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
) V5 C4 E+ ^6 e) _* w6 O. E====
$ _- o! p( }" Z2 k/ YDeepseek，API 看上去可用了，但是不给充钱。
/ z5 S3 S) _  a9 E7 N

$ c0 n) o' A. ?% P
0 u3 p) P" [1 ^& M5 z: s' l0 z

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

) [( u  _5 k2 l7 P  O3 _+ R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

( ?+ l; I9 l* Z: r- Z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

还有把古文翻译成现代白话
4 b3 [$ t. i$ J; C$ |7 S* r8 W
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 \1 T# M- f; W& u  O8 ]
9 r2 s. u) D9 }7 A' Q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？
& \/ o+ r' h- f: Q
  V* j: L+ z. e4 v# g! D/ \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 ...

3 \/ h+ h# U- L$ N4 J- R
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。
$ V4 U; J& Q$ i6 x2 P$ H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。
, \6 M  B% u& \+ Q: j' F2 E; ?

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
3 k/ w4 O$ _$ f3 Y- F: f
5 |: P. f, h! P. f0 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 ...

6 `: w6 [$ {. n& k. T4 \5 K5 Whttps://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。
% y& i' I/ `$ W  R( a+ K很稳定，质量不错，好像最多一次处理15页。
1 Z& W* S& x* ]* _2 @/ I2 @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”。

( \, G- \6 e4 `! Y6 C$ yhttps://github.com/oomol-lab/pdf-craft
5 d/ H2 P% @# [% {9 ]" l
. _7 i6 T2 j" H( H1 _  K1. 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
. n2 K1 Z2 w( _# e1 x4. 把下面的内容写到一个文件里，例如 a.py
# ]3 D# n9 y- {# M/ k

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
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. )
   # F, |; c4 t% g1 Y$ m' V
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   : h4 y# z4 ?8 l+ H2 h6 D
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   2 I2 e5 ^' W( C6 |4 D
9.     md.write(block)

复制代码

. F- Y5 [4 M/ U
4 B: i3 g0 `# u' e+ d/ M+ I& j" m" B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

nanimarcus

  n4 I/ H! d! m7 x! P; O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。
; y* @$ o3 P8 V& t3 C1 q6 p效果非常好。

$ F% ?0 ^' l0 N) y4 G+ |deepseek，qwen，chatgpt 三个，deepseek是最好的。
- l- q+ ]) V5 I$ J) [% W; p
: w. l! ]5 ]; E8 k# ?1 Wdeepseek 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。
4 B+ b: c: S' L3 B! 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。
  b# y( t: I4 H9 z4 H6 y1 z, T% i5 ]我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
! j! U8 L6 D+ s8 u4 y
! r8 S9 V5 N' V8 s% OAPI到目前为止，差强人意，不如网页版本修得干净。
) x. u. ~1 _" ~& h
5 I) n% {4 g% [4 E' Qdeepseek可以同时开四个。

三力思

  A+ x5 A, d% i5 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 ...

" r& }( B9 j3 x: N细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
( t' b) m1 a8 C+ f3 k& D$ ~, N细说一下，听上去很不错，多谢。

9 z* U+ S- \* f, y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

3 y5 |' F1 N. X2 }; E
已经搞定.
, Z2 [. T7 s6 M) G4 I
& S# V- V2 g! z  M1 |首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
/ U+ Q) |8 N  M  q
9 \6 f# D5 f: w! T# W8 ]8 a1, python + pypdf 按章节拆分小的PDF
. D2 a) U  w2 h; W: E
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
, v" a" D- U: g' @
- ]8 p  g# V- f$ ^4 t, l得到text file

" d4 R( f4 U0 T1 D; T- }, A3, python 读取整个outputfile，丢给deepseek 矫正。
* H- v6 J" H5 m3 V6 z& K0 y
模型是 deepseek-chat
& n* K1 {2 S' P1 |# Y& X
max_tokens 最大是 8192，别的不用改。
! M5 X! x+ J8 Q( }
9 u4 I# M6 D! G) b. w参考：
* P" j6 ?, \/ ghttps://api-docs.deepseek.com/api/create-chat-completion
' m1 {6 N4 b) w) f9 {) t+ x4 n
9 h- P3 |4 D, _  K4，费用：
3 ^2 \( t# @* ]; E) L6 R
实测：

5 ]/ d5 d& A% F) P: g, ^! R296K 字母，用了 9 美分。
& M. v1 O! V1 q% ^
英文字母 到 token 用量大约 1/3
( S# j9 ~$ U, j3 T3 g" Z8 ~% y
1 v3 J5 u# {3 n' \! ]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
( G$ x# r8 D1 @( ~% p" O6 d
% T% `0 `3 L5 r5 J  ]价钱，非常非常便宜了。
" s" u4 A3 [5 H8 }
3 {+ y) N7 y7 _! t8 D" B8 N( w! ^参考如下可以计算，懒得算了。
6 j8 [! n/ Z* T: n& v+ S
8 `" E0 H2 }5 ~* `2 Chttps://api-docs.deepseek.com/quick_start/pricing
  `" ?, ~/ J- @- F
+ ^. R" }$ T1 e/ `3 q/ h: j) _, c/ H1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
) M1 Y4 ~$ O, j3 X# E1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
. _  H. y9 E* t3 ~6 @3 \& ?
+ d4 H1 }2 I  J; e) g5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
* T) {7 O. }6 i' L  \% O3 @参考：
6 [( k, [: ]! }" ahttps://api-docs.deepseek.com/api/get-user-balance
; D2 T9 [5 g# D; B$ P+ m; I, r
( `1 N+ |# t. _0 N' a. k0 N. D6, Models

9 z3 R# ?/ g- o& }: b" S5 g8 u; o( |目前就两个
7 F' m8 S. M& S2 r) _+ B3 b# deepseek-chat
# deepseek-reasoner

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


% a/ b# T2 e- q+ G' a$ J6 ^* F/ v7, 问题

3 v; ~& q, G/ {* Bdeepseek 会将前后两段合成一段。
! k0 `1 C1 {. _5 [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。
" N0 [% f( P! F6 J& y3 d& B
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。
1 K4 P6 ?1 z! N$ p2 R& k但是API就不会出现这种情况，毕竟我们给钱了。
, H" g, z1 U- q# e/ G5 Ochatgpt也是这样的。
+ b7 v. A# Y" q8 H( h
2 ]# a% {: F: U! b, ^, u0 ?/ a