利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

6 o% E# D* R4 U, F) n9 ], C7 r把PDF上传，然后让他抓取文字，并修改可能的错误。
- U8 X2 @0 [% @& e. i# F6 N然后deepseek完美的完成了任务。
2 d( D& J/ S2 L/ Y; t' s2 u' S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！
0 S. {$ k. x& [3 Z' C====
7 @& w- }0 v1 Z/ K" c中文也很完美。
经验值，每次十页比较稳定。
( p4 k9 ^, d# h# e; O2 k& R现在我这里API还不能用，等恢复了，全自动了。
# z% K9 U8 J9 x, d* A1 L+ X====
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。
====
$ w0 G7 X) q+ i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。
( M; ~/ P4 O2 k; l$ N5 h. ]====
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。
4 _& G# p6 ^# R6 l  D: ]& D& P====
# u- A, m& m1 l  d% t6 G, ]好吧，有些东西是不给翻译的，哈哈。

& J7 N* Q+ r. E$ ~Sorry, that's beyond my current scope. Let’s talk about something else.
. v7 q, F0 O3 S  Y3 ~, I====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
$ W$ M  a2 Z; d! u' [8 C5 b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。
, u7 F! t' u0 h- e* [# w* |====
时间段的话，北京时间的下午和晚上用比较好。
  _; x! D6 V  o8 i% s# x后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
  U; p# U: k# z& O) Q$ }====
/ d) B% C5 p. `  R) d$ N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。

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
/ K8 H3 h: `" A! w8 `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。

indy

有没有上传整本书试试

nanimarcus

indy 发表于 2025-2-2 04:13
+ s# A. ^6 f3 F1 L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。

马鹿

& X& S2 j/ Z% E& O( e' M+ y# I5 b2 p以后让deepseek 读出土的竹简
$ J& F" S4 c6 I) e
9 _3 b- M' u0 \+ Y  d- D还有把古文翻译成现代白话
) L1 ~9 k: }% N1 g- G
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？
6 k2 C7 C7 E. V1 A' t5 A" T6 ]
) H+ Z" ~% N, d! m4 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？

. q) {( f3 |! E  K+ F4 T) q4 [8 ^$ ^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 ]; ^/ C8 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。
1 w! @8 S( Q8 T1 ]0 ~文字之类的没问题。估计deepseek现在暂时只保证主要功能。
  `% M4 b. R% Y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
5 V; Q4 V9 J+ s' z  n$ U请教是如何实现的？
5 M8 ?( V% ^0 D3 m$ W) I
0 @  c7 D9 h, }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 ...

$ F+ F% W. x# ]% ahttps://chat.qwenlm.ai/
3 q' ]2 S9 ?, _( G0 l! c3 |# }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。
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。
# A1 ?/ {4 O- l" r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”。
7 H( {- s6 B4 t" U
https://github.com/oomol-lab/pdf-craft
- N3 m1 ~3 H/ z- L
1. 这个工具要求装 python3.10
% u+ b4 w/ W& f% j& S2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
1 s" ?3 s! q8 k8 x( Z" r3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   9 e7 l; ^' L3 @7 U. n: r
2. 
   . u- W, w# Q9 C" n' w7 ^1 w
3. extractor = PDFPageExtractor(
   7 i; x/ [4 K; x' y- e0 @
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   3 P# K, l3 [( ^( j6 \
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   4 c1 U7 D$ j8 W/ o3 m" L" ~+ h
6. )
   ' U( }4 b' }! x4 }
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

要修改的内容：
0 i/ B1 U- Q0 A" _9 b  f! K4 E, U4.1 /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
7 M# \. V3 S# R0 Z  [4 Z4.2 markdown_path：输出的 markdown 路径文件名
# j2 N8 X8 d* C. o6 y- C4.3 /path/to/pdf/file: 输入的源PDF路径文件名
4 A5 @$ Y* A2 E2 ]- y" F+ b! J9 N
# a) i) ~! Z8 ?% n- N6 h7 p7 M5. 运行 python3 a.py

nanimarcus

3 i. Y4 r5 R7 ?) G8 M7 h9 u
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。
; X) w0 K! `# B' t) P" a然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
' T/ z! U1 Q. C) G
deepseek，qwen，chatgpt 三个，deepseek是最好的。
: ~6 w( w2 C; r  U
3 j6 i1 V1 H+ N) vdeepseek 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。
4 J, o: L6 L4 Z) m5 S我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

+ k- y( w5 y" \/ m! OAPI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。
; q  ~% ~) `0 C7 [' l

三力思

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
, z' \3 f2 R9 v3 X" K, 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
& j4 B1 m$ N: N细说一下，听上去很不错，多谢。

" R) {' O3 j* i+ p3 X2 ~8 p! [& _  x5 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

已经搞定.
1 }' ~" v1 v+ W0 n
: Q( O' e& |- f1 H, w# D5 H首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
7 E9 a: S2 ~2 i3 C, _+ q
2 b, @# N/ Y4 X2 o7 s1, python + pypdf 按章节拆分小的PDF

. Y$ L; O# W0 ?9 M/ w+ {; L2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
( U' ~+ r: Q6 y* F4 O* b! L: i  a9 F
% k2 k+ M; `4 s2 W4 v4 A得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
- S9 y0 ?' l& f' u9 d9 u
max_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion
: N# [3 k- P2 j% d0 C
8 a' P0 x2 j1 U& R( Z1 @- p8 p  @* t4，费用：

实测：
' b4 _, v( E- z2 M
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

2 }( z; [* a) @9 _2 w9 v: q32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
4 ?; X9 H; B: }+ S
1 Z1 W# n) S1 t3 p9 v参考如下可以计算，懒得算了。
. p5 |; ?+ r- o6 ?- y% q
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
1 B, [8 m/ \9 j: e: e- y8 z1M TOKENS OUTPUT(5)                                              $1.10                $2.19
, ~2 G. [6 E& E% I1 k  [# A
5, Balance

! Z( v* F( U6 W! O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
0 Q3 K, v* ?* x& [1 x5 H3 }. |
2 I$ d% T. a3 A  I6, Models
4 i: c/ b2 O2 ]5 F
目前就两个
# deepseek-chat
7 H4 d9 m& S4 I, G) g$ M# deepseek-reasoner
! }5 Y8 [- ~4 i: }9 W5 a2 V+ L; j
! s# \! i! }9 B参考：
1 ]5 x4 U7 K) t3 l8 y8 T3 }  Ehttps://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。
0 r, A4 T7 q3 f0 m- o: E( U
8, 钱说了算。
, N) D$ ?. y+ E: n  a. f( Q7 u5 R! ^
7 v6 ]$ C; U( N4 y9 j5 _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。
! E  n2 `4 F0 j/ x. f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。
# D, U6 w. _7 J1 c% Y
! O8 F3 B7 B2 c* t2 g