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。
, e9 @5 D9 l- m0 _" J然后deepseek完美的完成了任务。
" p, P0 _3 E9 ?9 {- u8 d; R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！
+ l  E- {& V/ U6 W====
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。
====
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。
====
$ u7 E! V: R' a- z1 b' r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。
====
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。
) r/ B+ p' x- W/ @$ |====
1 h0 V) @/ |$ R5 _* b7 b+ E好吧，有些东西是不给翻译的，哈哈。

! u% v/ _4 S" O5 tSorry, that's beyond my current scope. Let’s talk about something else.
! R4 a7 p4 v6 X0 z====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
, {+ y+ N# X5 g) Z7 D! g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。
====
4 o0 ]2 o, W: B/ p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。
====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
9 y: ^8 F, q- U$ d: \( l' N1 MDeepseek，API 看上去可用了，但是不给充钱。


7 p; m/ D9 S+ n% W; k. _- H. u
% V1 \0 o+ c# ?( y9 F# U

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

4 G* e9 a: ]3 c( P0 w+ 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
( l+ `5 Q" h1 ]1 G+ d有没有上传整本书试试

/ K2 U" K# e0 \1 Q, D$ N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

2 Y5 e' h0 |9 N& f' j4 p3 `
以后让deepseek 读出土的竹简

+ {# N/ e3 N# c4 W$ m0 B3 y还有把古文翻译成现代白话

9 B( q& l! x6 W+ W7 _% }; ?: y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？

$ O, o( F4 n# Q! T/ F  ~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？
* ~6 X) t8 v5 E
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 ...

* w  W- }" B4 `& G
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。
( d5 @" `8 J; k7 c9 d/ R

nanimarcus

方恨少 发表于 2025-2-3 01:23
" M$ D& o" n5 V4 M! R# v请教是如何实现的？
- ~$ s( J* d% O: [* Z
+ }2 ~( x) x4 k. T9 F% t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/
3 U9 d. a- J1 L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。
, T: S! z, t$ h" D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”。
8 ^. @5 j* F! V& R6 ~6 `5 e
, ^, z  O$ P" Z5 h/ F" i. l5 Y/ Yhttps://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
, m& s  p9 @1 @6 U2. 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
" {- N2 M0 y$ f: q

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   $ h* q: M; b% N. U2 m, M
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ; r( r: u! n% u
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   - V: T: y9 o  _  {
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ( g4 s, m7 V& \# Z! O1 e
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
     Y/ n0 {3 i7 |6 Q& n! O( p/ |: I
9.     md.write(block)

复制代码

8 h0 d: ?2 e9 c! B- ?/ v: D" P要修改的内容：
' p0 g0 a4 u8 Q% v4.1 /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
4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

; g/ {* p' W; N" h4 c: i7 P
5 Z; T3 X* f) i9 \" G$ \/ q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。
3 t' ], T+ ~! H) x! N然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
3 m3 ^0 Z# ?! [) B* s' `# p
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。
' B& V+ h& e8 ^* x+ p6 X+ x1 `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。
8 ^7 \4 o7 N9 }我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
4 h* ~" d5 A' J' {# g
% F3 A1 J, @+ UAPI到目前为止，差强人意，不如网页版本修得干净。

' m# n# h/ E; E& G, x& kdeepseek可以同时开四个。

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
2 |8 D# A& x% `5 i" j  A5 R* m$ D# U2 E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 ...

& _5 K& o$ i0 ~细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
" U) V4 E7 h$ e- _细说一下，听上去很不错，多谢。

! J$ p9 `) g( `8 p' V2 ?+ z' 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

已经搞定.

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
0 y% _+ r4 I9 C, [0 Y' g
3, python 读取整个outputfile，丢给deepseek 矫正。
& N# \) y- [+ F- l8 s
模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
; b/ C1 W" i5 v+ r
参考：
; b7 y6 b4 p: y$ dhttps://api-docs.deepseek.com/api/create-chat-completion
6 \$ o# M9 U: X) ~+ O8 s
- w7 |* M: T, J, f7 n. o! N. [3 x0 H4，费用：

5 u- d# J/ w7 E7 a+ d实测：
- c5 a9 Z7 S* x) e6 A4 |# \) x
, x) J8 e& a1 q1 o6 ^3 q& }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
. \, E5 g# u* S; l( p' g
) R/ t0 k* k4 _' w9 ~32899 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。

/ b" ]1 l8 \; }- phttps://api-docs.deepseek.com/quick_start/pricing

0 D* K0 P& V. A0 G% R# ^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                $2.19
0 ~/ q0 L$ s3 a3 t; c8 f8 q
% o; I. c1 `9 g% d: @2 F5, Balance
( D- E6 s) p8 g0 D: f
可以在程序里调用，知道每次运行结束后，balance还剩多少。
2 d; j4 f- Y% ^& \4 E参考：
https://api-docs.deepseek.com/api/get-user-balance
# L8 d5 ^4 Q. a' w7 M4 p- @
6, Models
7 Q; `0 l# }8 Q
目前就两个
# deepseek-chat
( T6 x4 \: C( k( K5 s7 c# deepseek-reasoner
" L9 b2 Q' }! {& k+ k5 V$ D
参考：
https://api-docs.deepseek.com/api/list-models


& A* B0 {# m1 ^' P5 `/ ?7, 问题

; Y+ z! f% F3 x+ {- jdeepseek 会将前后两段合成一段。
$ g8 @: a% f$ c+ t特别是那种大量的对话的段落，deepseek会给你合成一大段。
/ q2 ~& [8 \2 S1 t5 F. E! F
$ k* F! b3 \# }/ b6 E8, 钱说了算。

& N9 L: V! t9 i1 w7 s4 I5 Adeepseek 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。
! b- S: X* @) k; @1 D8 r. x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。
! B) }. k, V1 \1 O9 x% w, w- H

$ a& t4 S9 N+ R$ R) i" V+ g