利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

$ K7 u& ^! q% k9 `
- J4 K8 X- J5 N7 \3 p4 d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。
  i+ K6 k# @2 S6 L- L( ~( l5 _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！
  V3 G9 [! l! V$ d====
中文也很完美。
* T' H+ P; L- d  W4 o& z) l3 B经验值，每次十页比较稳定。
( w0 O" v4 n! t' z  j现在我这里API还不能用，等恢复了，全自动了。
====
6 K) S! C# b- A) s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。
6 o9 Z, I& h: |* u; H====
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。
' q; z; O; h( H9 y====
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。
2 C/ t7 I; S* N; a" }& D
Sorry, that's beyond my current scope. Let’s talk about something else.
====
1 P7 @  }- {- D/ R5 z( l然后我的英文命令也让deepseek 帮我修改，呵呵。
( f- C0 k- f+ l% T3 ^* R====
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。
% G8 l/ L0 l$ W6 C# W7 z( H+ D====
1 u" e" ]0 A9 k时间段的话，北京时间的下午和晚上用比较好。
# M; G9 |0 {  q3 t, o' B/ n后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
/ I" y5 R0 q  u3 Z* ?用千问吧，非常稳定，非常强大。
# M. ?3 U& H* c! T( K* vhttps://chat.qwenlm.ai/
====
5 H  ^) b. G: Q5 }! mDeepseek，API 看上去可用了，但是不给充钱。
  z2 ~6 m; W8 L% p' v0 _

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

2 _  k& ^; u) N/ \0 o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 p2 P+ J! M5 E6 x0 I: O有没有上传整本书试试

# I1 ~2 i, p2 @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

+ \$ Q6 K2 @" i, c$ x1 V9 J" S以后让deepseek 读出土的竹简

还有把古文翻译成现代白话

- P& c8 w3 u- ?8 v6 A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
请教是如何实现的？
( b7 p5 a' ]" F! r- N) g, e+ u0 {
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 ...

1 [1 V/ |% P+ d9 e: o! F
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。
6 n; @! p# s2 v6 j9 z; v( x文字之类的没问题。估计deepseek现在暂时只保证主要功能。
9 V5 k# @, [( T/ ~+ l" H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
8 o7 d6 ?/ X6 D- u8 s( |请教是如何实现的？
9 |. A+ x) S6 Z
1 e5 s' ^: y7 S2 w- P9 k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 ...

7 m& q* j/ g" ^( e- {1 lhttps://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。
' L1 {, M, Y" m3 v6 v; f& x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 o  L$ f) D2 b% F! E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

: _) ^2 A) d9 n% c" c8 X1 D1. 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
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
   
2. 
   3 S5 K  m" B; N  x0 o  h* W3 A! r
3. extractor = PDFPageExtractor(
   6 a% H# |7 K9 @- W% g$ E- H
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ; `% D( Y2 l9 O& q5 B! ~
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   0 I2 ~) y/ A7 K& ]' o& x! Y
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   2 _0 ]2 z% D8 \
9.     md.write(block)

复制代码

! G6 j7 U# J9 _4 h5 r! R
" B6 c/ c' A. w: ]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
9 J+ J2 o2 q% I: ]9 h4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

6 ~- H0 K/ q4 F7 }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。
) J' P  p6 N/ w, a) x8 c5 O" T: i然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
2 g9 @" X* r! w/ z: D0 Q  m- x效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。

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。
6 R2 q; N. p4 g6 g6 N2 _# X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。
, K" J: E% \9 [; X, B
API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。

三力思

; ^, t4 E, g9 X& \: z' v; P
4 U- D7 w* q$ ?7 l. l/ k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
9 r1 y; J# b1 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 ...

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

+ c( X2 v# E, o
1 r: z0 Z- P( N' l9 F/ i. p, f0 w& F1 f已经搞定.
" h0 c/ ^. E1 Q0 L7 e8 N
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

# N& ~$ h" a: s5 M, t6 C5 ]- R; [7 o2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
6 j% D/ }3 I4 m- p- n
得到text file
' P, x, _. ^( D8 ~
3, python 读取整个outputfile，丢给deepseek 矫正。

( [. u2 k3 N* S( j4 G模型是 deepseek-chat

$ W& ?% z2 f; b6 |! dmax_tokens 最大是 8192，别的不用改。
' H+ ?; v- [% n) b5 a
: M! q- j* Y8 F  ]; I参考：
https://api-docs.deepseek.com/api/create-chat-completion
/ x; y1 [" P0 p# |
( o% Q+ q! n( \3 `" r( `4，费用：
. |0 D4 C* G, y/ U4 P5 J$ }
( K4 s" b# h  @: C! p实测：
) I# [: |" j' M4 B( L7 e
296K 字母，用了 9 美分。

7 M7 K: B- o; z; Y4 L5 U英文字母 到 token 用量大约 1/3
- a/ X; s( K# Q( b" Q
  \; m( L- P6 B6 u! b8 f2 b  Xtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

- ?) Y" ^. l, v+ h32899 个字母花费 11782 tokens，包含输入输出的 tokens
. X4 V4 @8 w8 n; T
价钱，非常非常便宜了。
9 |+ a$ H6 Q2 P* ~# I( w) o9 m
参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
' ^8 J. K! \1 f4 E
$ y0 g- m* S, U( u8 k1 C- }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
' B, `7 B9 F5 n9 J: A
9 s3 b- @% r: b0 s2 @5, Balance

, v& m  o, O. z8 |1 s' b可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
: c$ X  x4 G+ L% i) B5 Hhttps://api-docs.deepseek.com/api/get-user-balance
9 j. l: ?+ \4 g- ^8 l
2 f2 C: Q7 U  [6, Models

6 m- r. Y8 i, ^" K5 z& h目前就两个
# deepseek-chat
# deepseek-reasoner

3 ]! l) Z: [& o4 e9 d0 M, v$ g参考：
' e: }* Y- E4 t' O& R" Ehttps://api-docs.deepseek.com/api/list-models

5 F# Z2 X" E! Z3 ^* q
7, 问题
# X; d: h& U: F* o8 G/ O3 c" c
8 V6 |1 e( ~! _1 p. S, S+ rdeepseek 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。
# W( p3 u0 v' m7 N, e
8, 钱说了算。
5 J" B' q- O$ K" Q4 K
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。
5 W1 \$ b5 x/ N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。


& G# `, p) T7 }7 D! e9 P