利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

9 Z( \8 q) p2 F# Y$ x1 H
  f6 z; n  {2 T' Q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。
8 Y) ~2 f& \% F0 @7 U6 a3 B; r. M段落清楚，列清楚，页眉页脚全部去掉。
3 t8 K# V3 f: x, I* K+ D我要疯掉了！
8 L1 z3 W3 n+ S5 q1 Y# V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！
; Y9 W$ [6 w( t! j0 ^====
. s" y; V8 P+ F( V! X中文也很完美。
经验值，每次十页比较稳定。
9 P' P/ |8 Q" B5 a! m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。
+ |! n+ G" V9 I; h  a6 m4 T====
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。
  I# ^# M( F( U0 D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。
/ }' ~( |+ w7 v: K8 J* X====
好吧，有些东西是不给翻译的，哈哈。
6 F' ?$ n# b9 E" \. e# S- Q
+ M9 i' c* E& r% RSorry, 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。
====
* `2 Q( R& Y, }) h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。
====
8 H# h; b1 f! H7 O# m7 P用千问吧，非常稳定，非常强大。
/ X* O6 A% q7 |' h# n: O- \https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。
# `7 a. e8 k- n3 A9 J
. f' w( ~" F: I& {+ r* _

( ?! H9 J0 Y' o+ l) S/ F1 {

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
/ N1 _# T' S  d1 K7 j2 b6 t这功能很赞呀

' P" F0 Z' Q, |* c" C2 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

; _/ X1 P& u5 F$ \# X1 y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

( U! }  ]& v7 R; O: V6 t
以后让deepseek 读出土的竹简
2 s' H& m3 `3 \
9 }* T; R/ p2 C/ _还有把古文翻译成现代白话

) I7 R' e9 y5 X8 {$ ]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？

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
0 d- f) J3 v3 D0 b. b请教是如何实现的？
+ `5 F6 v7 x' p7 t. e, r/ S+ 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 ...

( b8 V0 c  }5 r% X  U7 I
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。
. Q' K! f0 g& N! W  L  Y8 R

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 ...

https://chat.qwenlm.ai/
) G' d' }+ t* q6 I) N8 p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。
* v2 U# z9 e( @5 i1 P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。
/ V+ q" B' e+ C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”。

: Z: j2 T8 r: Q# A0 fhttps://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
% T7 c) {7 f# t' Q2 p( L4. 把下面的内容写到一个文件里，例如 a.py

/ ]# N: y& j9 Z" ~" [

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   1 q. d. V4 H  v& N
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
     L3 k3 @0 H3 F2 X: R, c
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   / a" C3 E- g' f- X  Z$ u" O
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

. b7 l( f+ L# Q6 {1 P4 l% D9 Z! `
要修改的内容：
: x+ ?: f% {# x4.1 /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
- q! C5 p7 P/ \4.2 markdown_path：输出的 markdown 路径文件名
* j$ M9 U% [! |$ t' T4.3 /path/to/pdf/file: 输入的源PDF路径文件名
& H  L' K+ ]7 |4 B% P6 j2 W
5. 运行 python3 a.py

nanimarcus

* Y2 r- ?# j0 a' p( ?" v
目前为止PDF转纯文字的最佳办法。
6 g, u$ @; S0 y先写个小程序，把PDF按章节切成小的PDF。
! n+ V9 a; W: Z: S然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

# I1 U! V3 U; B4 Kdeepseek，qwen，chatgpt 三个，deepseek是最好的。

  F% Q. e  c7 T, n. fdeepseek 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。
0 Z3 n! m; F, r! ]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。
' g: H  m1 B; L0 t) Y9 F' j
' R( D0 k) W5 O& ]. t# t/ PAPI到目前为止，差强人意，不如网页版本修得干净。

9 o* j; {0 V, K6 Mdeepseek可以同时开四个。
& w! u* R8 e$ e8 @0 ^2 x6 l

三力思

7 m+ M7 n1 U. S
8 N1 J5 _/ a) t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
' q# M( o4 M/ R2 }9 i) \# l$ |+ r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
) w! s) d$ Y" _( C, h细说一下，听上去很不错，多谢。

. C/ E) z6 j! K9 b, 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

已经搞定.
* ~& m* r* q1 g* [, I* {) [
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
* I* \8 I/ `$ E! t  ]1 a; z& u
3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
% J$ Q0 ?9 r3 W9 N, y* T4 r
max_tokens 最大是 8192，别的不用改。

参考：
  F& r. A" L2 j. s$ a3 S. ?https://api-docs.deepseek.com/api/create-chat-completion

( _; N6 w& m) G3 _) A' h, n# {( L4，费用：
8 C/ N: r+ u7 P% ^) A6 T* ?# k/ q
实测：
, w$ t* P  g% m+ Y& ~
296K 字母，用了 9 美分。
* p7 L; O- M" x+ F. j/ N5 \' F3 M4 w5 W
  r, t# G( K3 U) A1 B英文字母 到 token 用量大约 1/3
! N( U& n  j& Q5 j0 _
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
' z8 d5 p( N1 W
# r" ?7 ]# N/ D& y! `( ]价钱，非常非常便宜了。
8 a/ j$ {# B9 t' l, S$ j5 d2 S
1 N* ^0 j0 z4 Q( a& h' w6 v参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
# f1 B5 d+ a8 X8 x: X
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
6 ^; I9 v( p5 b2 M( t% A7 o1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
3 L. }7 h+ F$ p( {+ H& p5 q8 I
5, Balance
' z+ {3 U3 Y5 B- K7 G& h
可以在程序里调用，知道每次运行结束后，balance还剩多少。
& N/ l* `# f  k6 A参考：
https://api-docs.deepseek.com/api/get-user-balance
$ r" m, p0 ^  l/ I1 @! D: K; r6 F
+ h( V. Y: _' b1 F" P8 V% c6, Models
2 n9 m8 V0 V) G' k+ ^
目前就两个
# deepseek-chat
" E: g- R0 I& p: g' p: C! {# deepseek-reasoner
/ r5 ~0 w5 C) Q0 y. P- U
参考：
+ H( B5 G! z/ }8 D$ G! lhttps://api-docs.deepseek.com/api/list-models


; r5 {: `! I  u: h7, 问题

deepseek 会将前后两段合成一段。
. I. A; }" a# r+ T  g# \特别是那种大量的对话的段落，deepseek会给你合成一大段。
# ^5 a0 |# g# r5 G3 o) ]
8, 钱说了算。

# C2 E) e4 N: W( x# Z, edeepseek 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。
9 n2 p+ X' }" |* O但是API就不会出现这种情况，毕竟我们给钱了。
% b: [2 ~) u" Q! ~6 l  y6 h$ |chatgpt也是这样的。

. t5 P$ {" W3 B9 ?% f* }. c3 L