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。
) N; w, x0 t0 j3 |1 j* ]1 |& C然后deepseek完美的完成了任务。
段落清楚，列清楚，页眉页脚全部去掉。
: [+ x' v# y( m, Q$ c我要疯掉了！
% Z+ m) j" c9 w% \% a: I2 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！
; s# `/ q# Q5 D' b7 U6 x  C1 y====
中文也很完美。
4 M7 @( g& i; q8 e" g1 t( A& ~经验值，每次十页比较稳定。
( [' ^4 e4 z6 G0 r8 i. ?现在我这里API还不能用，等恢复了，全自动了。
  R7 X) D! |( [4 y& ~' ]0 |====
$ G' q) [8 Y/ A0 C第二次疯掉了！
1 _# |$ {1 Y4 s+ {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。
====
1 C, h0 D8 q# O2 ]" ^, ~5 |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。
& T9 X9 v) Q" `4 q+ O* T; A但是任务多了后，每次翻译的页面数是减少的。
6 k% L3 h: @% d& a6 A* x- z" b' M$ S好吧，我五体投地，继续探索。
6 S% n( h1 c; t# H5 Z* i2 v====
1 P6 s8 w- P; ~3 s9 c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。
====
& Z$ O: n+ N8 W0 ~. L好吧，有些东西是不给翻译的，哈哈。
2 z( {& O6 T6 [' B0 ~
Sorry, that's beyond my current scope. Let’s talk about something else.
====
, v7 X+ ]% F- G4 Z, J然后我的英文命令也让deepseek 帮我修改，呵呵。
& H! Q, F9 N: ]: H& L====
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。
8 ?- ]5 I6 t3 r/ S" c6 q! E8 }====
+ I! U! y7 N: ]* R# i' u时间段的话，北京时间的下午和晚上用比较好。
' \' R/ e- j3 \: k8 U4 {* J. q0 p后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
+ n9 |  Z2 D- r6 s; S====
8 p' w: k) Z' s" H# T3 x用千问吧，非常稳定，非常强大。
2 o+ Y. P2 b6 Jhttps://chat.qwenlm.ai/
- H) p; M; b1 T8 E5 {====
; h" C0 F! x6 U6 P/ gDeepseek，API 看上去可用了，但是不给充钱。
: I" {2 K! G; J  s7 M, M

* k8 }1 |" c  e/ D

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

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
5 @9 L9 s$ T2 t3 u有没有上传整本书试试

) D7 h4 S5 `: A) B4 z8 Q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

9 c  Z; e) b  [7 I0 B5 ^$ y还有把古文翻译成现代白话

# o9 r$ m  z4 v. z6 Q3 V4 N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？
, A/ Y2 r4 Q5 z3 A
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
- Y0 k( ]. h! M( H8 D请教是如何实现的？
  a: Y) X& N. z# d1 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 ...

# \8 {$ W$ h+ K) D  C5 s) B
7 H7 F- m( W, w) h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。
& N4 H6 A) `' B+ F* ]! n, @4 s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。
1 ?$ k$ c0 {, R5 ]! N5 N" E

nanimarcus

方恨少 发表于 2025-2-3 01:23
) o, L8 M0 T5 z2 U' c' f请教是如何实现的？

' d) C# h7 ]3 D' f" O/ y9 u/ 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 ...

https://chat.qwenlm.ai/
) Z$ K0 j7 z  u. ~试一下千问，估计美国人没有攻击他，所以资源敞开用。
0 B8 ]6 j( h1 N) k% E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。
' C7 d) P' [2 }' n/ M) L% g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。
1 H  O/ [% a* z9 d  }. K5 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”。

https://github.com/oomol-lab/pdf-craft
: e; F" q: W3 j! P
1. 这个工具要求装 python3.10
7 _  a5 `, b. _; X2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
8 R0 b4 {2 k: M. u# t7 d: V1 M
& y3 e0 w% ?* I5 r5 i* q6 ^6 K

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
     m% B# j6 z' Q" b; f4 _6 P" n; j' _
2. 
   ; t# L3 I  T1 m% ?+ V& V
3. extractor = PDFPageExtractor(
   6 Q4 d3 X, \" Q
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   " {. S4 j$ i+ V- X3 G/ e
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   / C( Z: w' L$ m, a  }4 y6 i7 |
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& C( o' c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
; V: h8 s3 O2 A2 `3 u4.2 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
; o4 L) [8 a: r" e
# W+ ]4 i. o. _) W5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
5 x$ c! U2 c5 n9 V+ n' z; j7 ]先写个小程序，把PDF按章节切成小的PDF。
1 u( P. Z8 N2 T, }$ b然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
' k* q, c5 a/ n/ S1 L! J' N- |! f7 ~
deepseek，qwen，chatgpt 三个，deepseek是最好的。
. t8 p4 {3 s! ^1 Z$ l, X- E
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。
我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

5 D" R8 u8 O, k9 k# x) n: [: @API到目前为止，差强人意，不如网页版本修得干净。
. U- J" z8 t; X- ]: x1 M  n
deepseek可以同时开四个。

三力思

6 H+ o! v# i2 F
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 ...

( D' B9 n( v% W4 n6 P3 r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。

8 X4 H$ e* `' N  E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

. R- o9 V7 U! ]7 l4 o! ~3 B
3 j- x$ ~9 W+ _; `8 ^3 i已经搞定.
  V$ t+ _+ C& ~, m1 r  U7 h8 T' ^/ u9 f
, m* O! q6 @! W4 z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
3 {  g" H6 E+ ?6 x
3 n& G( [7 ?: a, J得到text file
4 d2 I! j7 [6 [% n
3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
5 _% ?0 d4 t  p( Q3 _9 u  P0 t5 b
参考：
, S2 g" j# _0 [. G% [) D! lhttps://api-docs.deepseek.com/api/create-chat-completion
; a* ^( ?2 D4 Y9 ?7 H* ^6 }, I2 a
4，费用：

2 G7 t- R$ V' k0 U, l9 L& _& f实测：
' B9 q7 m% A/ \* T5 l
: F' q. y0 m3 P( m6 p% X" u3 y296K 字母，用了 9 美分。
) T  ^  {# @# q! h) {4 f
* F: I6 [% R1 A英文字母 到 token 用量大约 1/3
0 @! T- W; [/ k  `
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
; @" C  j) l$ }* N
6 S$ |/ N* |/ E! `; I0 E7 X32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
; B9 F* s! H* T$ \
& y% ]' ^9 _0 V0 P1 Whttps://api-docs.deepseek.com/quick_start/pricing

* S( }" H6 o9 i5 Y" p1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
  h) T# g; H- E3 S
* J/ @8 k/ v/ k- E5 f) }5, Balance
2 c" \# @$ u1 I$ w
. ]$ ]! X3 I8 U1 {, q可以在程序里调用，知道每次运行结束后，balance还剩多少。
; C. U6 R; p' [; j1 ]参考：
0 S5 S  G0 f: Jhttps://api-docs.deepseek.com/api/get-user-balance
( a- i8 E. O' Z, Y, L9 Z
: k8 k' H5 M& X7 ~1 P8 H3 v+ I6, Models
) G: _  B7 \  \* [" a  M& |! }0 q
% W  a2 u- p1 F0 H0 m/ R2 ]目前就两个
* }0 q  Y8 h9 A" Q8 a# deepseek-chat
# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models
8 W- ^$ B) x8 v$ t; O
2 R5 o; K. ]  |" z8 U3 [' S
- d( ]: r& f$ D" T; U* l7, 问题

% j' @) [( G# K6 |deepseek 会将前后两段合成一段。
, C$ o$ d9 e2 m$ ~- g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。
: a. d9 X7 R3 {# D7 Y
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。
7 n0 }  j) I% w) R! a4 g% {6 m- e但是API就不会出现这种情况，毕竟我们给钱了。
1 f3 b' c6 j0 s. l2 S1 M" g# ichatgpt也是这样的。