利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

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  s( B5 f3 G6 |# B4 ^段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
9 `. h+ s+ a2 l, B$ u" H  @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！
. ^3 ?' I' ^( S5 H====
* a0 K  t4 A+ R$ Q4 @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。
====
3 A4 t0 T/ }: {6 M$ y) `6 h7 t) P2 |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。
7 }; l8 g6 B9 |  M+ \/ L$ b. O3 }但是任务多了后，每次翻译的页面数是减少的。
+ |1 Y' B# z; D4 f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。
' ^1 K$ E/ x4 c
Sorry, that's beyond my current scope. Let’s talk about something else.
+ N9 }4 P; E( l- i/ x+ V, _====
) _" u3 N7 E9 i  }1 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。
6 m2 J: X) b8 W, b: `4 q====
0 q& m5 J- |  h% K2 @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。
' ~# k, B7 X& r/ k7 \====
! H  u9 N; \2 i) r( v) M用千问吧，非常稳定，非常强大。
% h0 ^; b& y* {: Ghttps://chat.qwenlm.ai/
====
1 q' ?/ @  Z% h9 Y3 PDeepseek，API 看上去可用了，但是不给充钱。
+ r( O3 H( Y$ _+ c6 x+ e7 h6 p
. T7 f6 Y6 }2 J# W' b* ]* b
8 I2 U+ \* F& _2 A6 [5 q- }
1 c4 ~2 i$ q2 v: p% n

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
. y6 a5 c1 H! C! k这功能很赞呀

2 C2 `* |# M% }+ C+ t! h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
1 m4 P' n) z3 ^) S( W3 B有没有上传整本书试试

  p8 L  I  X6 e) \- @: b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

& s2 h1 q# z6 p3 A5 ]9 K还有把古文翻译成现代白话
% [$ c$ I) r: I! x( J
; W! @& t! `/ N$ E( j0 {2 }3 @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？
1 H6 x1 r2 X7 |6 f+ y
% X: ^: u4 y$ l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？
( P9 `$ {: k5 _& O8 z
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 ...

) @% t: _! v) R0 |. ]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。
/ {5 }& Z, q( y' c

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 ...

, O* @5 T# B3 A  S9 nhttps://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。
( n3 z0 ?6 @1 O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。
9 w( t& O1 u- |2 b2 z6 ^# i! J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”。
- s2 Q5 P) q! L" y2 q- X; I
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
8 R" @$ l6 K. x& i3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
6 O+ |, A0 Z3 {0 Y  ]" t! L/ |
) \$ y+ ?2 P6 V; P/ D

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   6 g/ M; c! H" N9 o& V
2. 
   6 a2 a% E/ \" }5 Y) F% k) a- y2 p
3. extractor = PDFPageExtractor(
   6 d. [6 f3 n9 J$ Q/ B# f
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 U+ v1 H9 P: O& Q! X
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

/ }5 x( z8 S/ f3 I$ U! N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
' [! C' ?( w5 G* l7 b4.2 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

) f* z* G; f+ ^2 G. C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。
7 H* b. Z6 w3 q% b- o, V; Q然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
, g5 m- B# t/ _+ P' s6 |
deepseek，qwen，chatgpt 三个，deepseek是最好的。
% u% V1 E- {5 n" F
( ~4 @, E  V1 X; Z7 i- }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。
" o4 C$ }. a! l: o4 ~) E我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
. W) t# x  o$ s% n$ t; l
" t) r$ R( P$ _+ Z- [API到目前为止，差强人意，不如网页版本修得干净。
% t6 a; U8 u: d2 s: W
deepseek可以同时开四个。
' E  h. T6 e; @0 c1 [' A: P

三力思

+ M  O2 |7 ^8 U% n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
! X, D! E2 s6 C- B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。

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

; L* I2 K) [6 ~1 p% u4 R
已经搞定.
; I; n" ~) H2 L' i! g
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
: a5 r6 V* G! T
1, python + pypdf 按章节拆分小的PDF

) \4 J3 D* V) O1 }* n2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
7 D7 R$ z# r3 S' E- W4 i) p
得到text file
+ b2 z- R  {! U8 }; U
1 z3 {  o" R8 W2 m: _3 Z  N7 G4 `% `3, python 读取整个outputfile，丢给deepseek 矫正。
7 i  V4 U; ^! n1 R2 [
8 G! e  q1 L1 B# C% A1 C. U模型是 deepseek-chat
5 d8 k0 N+ b6 M6 Q2 K
9 }3 y9 l6 P- S/ J1 u# \! G+ K9 H6 Vmax_tokens 最大是 8192，别的不用改。
% ]# |7 j, T9 h+ D# B# b# [3 S
2 i4 E8 B: l9 C' _! W! N7 z& N$ K参考：
https://api-docs.deepseek.com/api/create-chat-completion
) I" M% t/ y+ U, ?
4，费用：
+ N  S' S4 |$ @* f$ B
- Y. h5 D% b& i; t1 h. f实测：
. D" f. T1 ^% b; [' R
296K 字母，用了 9 美分。

2 K  A9 d& f3 a6 z' m6 D, v6 N$ n英文字母 到 token 用量大约 1/3

  k+ `9 X0 r( b& P: N# Jtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens

* e: n! d; }9 V& v价钱，非常非常便宜了。

, W3 Z$ f' g5 V4 E* C* O; T& G参考如下可以计算，懒得算了。

" m2 ~; g/ [! X, F# K5 Q  a8 [https://api-docs.deepseek.com/quick_start/pricing
! R, z$ V! u1 ^5 }6 ]
8 X: p3 w' \# m" I  J" X4 @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                $2.19
- u# E$ U6 t3 H) X
5, Balance
8 W! k! E- a  N" E& S1 O3 ~
! W- A& `( d3 U+ h3 L可以在程序里调用，知道每次运行结束后，balance还剩多少。
8 G5 H% ?1 a+ m; R! @/ M参考：
https://api-docs.deepseek.com/api/get-user-balance
: [: z" t$ i2 u% P
6, Models
: f; B3 e* G9 k4 T' Y( [/ |2 K
目前就两个
0 O4 d% _/ @. S# |* z# deepseek-chat
# deepseek-reasoner
2 M) g, F) w+ G
参考：
" J( j' U2 K) ~$ F& B, thttps://api-docs.deepseek.com/api/list-models
+ k+ |. G4 ?5 P9 |/ a* N  w
' K* [1 G" {$ d  Z) R! T
7, 问题

$ b6 h/ T3 _7 J9 x0 V2 y( adeepseek 会将前后两段合成一段。
0 D. D; H7 p" @1 t7 b/ `特别是那种大量的对话的段落，deepseek会给你合成一大段。
* G4 r# r0 p6 _3 m" H$ u
8, 钱说了算。
9 ^6 i. d! ^$ s! j( z+ l7 v- e
( p6 M, I5 i5 o6 |' `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。

" |' f9 h5 |( J- w' H4 e. Q' c; Q