利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

8 g/ T# v& v% J/ h+ `9 i  n3 I
" s- h9 P( i9 w. P5 t; a# b( u: K& v把PDF上传，然后让他抓取文字，并修改可能的错误。
6 C' n# [+ _  }. g! ?' R然后deepseek完美的完成了任务。
+ ?& N1 ?1 a6 o' r5 E段落清楚，列清楚，页眉页脚全部去掉。
; [5 d6 X  {! u( v我要疯掉了！
7 N2 c: S; S; }  _$ ?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！
! E2 M" A# F5 M$ Y====
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。
+ D: \. g  e# L====
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。
====
  }& {- Q9 }& o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。
: P- f+ o, X4 t0 F9 Z6 m3 I$ P% U好吧，我五体投地，继续探索。
; n$ k1 V# q( q+ Z====
+ u  |. t% P- a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。
====
+ H+ E9 Q' h/ f+ K好吧，有些东西是不给翻译的，哈哈。
2 _0 i& ]3 V3 E' \9 N7 m  P$ f
" X% k% Q1 {* wSorry, that's beyond my current scope. Let’s talk about something else.
# S, K! {6 [  E3 [' B/ N====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
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。
+ }: ~; a# E! h5 q/ {====
7 `  k$ ?4 F0 Z5 v% P. m; {7 e时间段的话，北京时间的下午和晚上用比较好。
9 [9 ]3 z7 m- u% R5 L; r- \后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
! J% S* i' i' b! l3 Z1 _% a====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
7 O7 n& Y$ b" m====
Deepseek，API 看上去可用了，但是不给充钱。

  s' F" j1 j1 G: F& }! u
5 c3 M/ ^* @; ~
! D; D1 x" U9 f: }7 r+ V

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

/ I5 y9 g- \5 f/ x2 [; y8 e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
) `0 ~, v% O2 D/ u1 F有没有上传整本书试试

4 v  F( y9 N. `# h4 o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

. v: Q3 k; V8 z' B6 W
! P6 A( a9 p7 q* ?3 ^2 R5 F以后让deepseek 读出土的竹简

. P. Y& K; T: u5 g( h还有把古文翻译成现代白话
5 O7 }- Z" ~6 ?) x! c# B% N
, k9 w4 X, S! x" E8 \0 Q4 D8 }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？
! \. X. ]3 Z$ q8 k7 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，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
9 U8 N) i0 y' j$ O请教是如何实现的？
. ]5 I/ ^7 ?( y6 {  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 ...

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。
9 o5 `$ O8 k* [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。
2 z! t( ]0 U3 ]# j, ~' ]2 F

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

1 C# x8 w, G! A5 \9 C$ v, e7 }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 ...

4 Y, w: Y8 _5 W1 _/ V9 uhttps://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。
4 \6 q; z) c8 ]  X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。
( ^: L; X/ v( P  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
9 i7 y/ I% l1 y" Z' F
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
# E0 O: g* V4 f5 [5 x8 `4. 把下面的内容写到一个文件里，例如 a.py
$ T' d  }# p" Z# K$ ?
7 m+ j7 k% A6 v5 K! h

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   * k, f- L3 }* q7 k' s1 {. I! [; v
2. 
   
3. extractor = PDFPageExtractor(
   ! @; D+ @) ]; D' D1 h1 S
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   " M* f7 g6 c! _3 K
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
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

- o! e4 [3 }5 S
( ^: D3 Q4 Q: B! C要修改的内容：
2 j6 H4 g9 j5 f8 t4.1 /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
: f! t5 C0 m. H# Q* F
1 [. A; H& V* K. v5. 运行 python3 a.py

nanimarcus

1 D8 O& ~9 c1 w6 H% Z& c: _4 E/ ~! C
目前为止PDF转纯文字的最佳办法。
: e& {- c; U8 q0 `先写个小程序，把PDF按章节切成小的PDF。
然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
- F/ }5 F- }1 ~/ ^! ]7 F* F& r/ h1 Y效果非常好。

7 N% t& k; C* C, u: G) \deepseek，qwen，chatgpt 三个，deepseek是最好的。
" d1 \& u( n% F. E) Y( G- _$ V5 \
' x( \# b* m8 v2 A3 b  t" qdeepseek 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。
- K3 A6 \+ F# i7 ]我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

API到目前为止，差强人意，不如网页版本修得干净。
4 U7 @9 F4 n1 |! p' J- T/ `7 E4 M8 D
6 w" y) s6 T" P. b% C+ U5 j4 w8 pdeepseek可以同时开四个。
0 b/ N  v; u) F7 E# q

三力思

" k; |& u& k0 y  v
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
. w6 u5 a  p6 t1 }6 K  p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 ...

' Z( e" ~% w: k) C" I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。

+ J; u# O( k2 f( @9 I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

- }( H1 w0 u1 P8 o' Y! z
0 @& }" x1 K5 j已经搞定.

/ k9 N4 b" A* l9 |7 c1 u4 p. V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
* D8 r- A' j2 `0 ~
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file
! K# A# }6 R9 Q& j+ V
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。

) r8 u/ Z( Y2 y- M参考：
https://api-docs.deepseek.com/api/create-chat-completion

! P7 W( {5 x3 x$ z4，费用：

0 Z) ^1 g9 V  h9 f) G4 t实测：
1 f5 L. |. ^7 _6 n- }
296K 字母，用了 9 美分。

8 d$ T7 L& v: {' B. t: `9 B3 d$ Y: q英文字母 到 token 用量大约 1/3
  I( P9 t- H4 {3 H5 m& r
+ Q0 V) N; J* \/ _tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
7 u9 G& j1 L4 v3 d$ D
32899 个字母花费 11782 tokens，包含输入输出的 tokens

8 a0 G" V8 l2 C/ B价钱，非常非常便宜了。

; H7 g( L0 b& E! r参考如下可以计算，懒得算了。
  M9 z' A& v/ M; e& a, x3 v5 _' v
https://api-docs.deepseek.com/quick_start/pricing
, f3 b" m* d( Q6 ]% m# m2 S7 ?; g
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1 j' \" v/ n$ i/ e1 D; B2 f1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
! h+ e- |/ V: L& w* X+ F" Z
5, Balance

) y5 j, h" Z  D6 e可以在程序里调用，知道每次运行结束后，balance还剩多少。
' w* Y6 p$ S* C, B$ d8 v参考：
https://api-docs.deepseek.com/api/get-user-balance

/ B( g: R, Z  o$ U5 J9 }$ \+ v6, Models
; Q. h* @& S* n/ H, ~" t
目前就两个
( Y- `- _4 H0 k# deepseek-chat
# deepseek-reasoner

( Q" c; p* s- n# z参考：
https://api-docs.deepseek.com/api/list-models

3 U( o8 C8 h3 K  d* l& c- n
7, 问题

/ {+ \7 Q, ?& k$ ?2 Ldeepseek 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。

8, 钱说了算。
. m, |  U! R" s+ W9 a  f
, c+ K4 T8 s% d6 m7 kdeepseek 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。
% A7 |* t" D* n+ b" K, ~+ c但是API就不会出现这种情况，毕竟我们给钱了。
* K, w. E# E" v+ Zchatgpt也是这样的。


& h( u9 U" M( m  P