利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

3 X; C4 D" W% u" i% s' R把PDF上传，然后让他抓取文字，并修改可能的错误。
4 R, G9 L$ r0 f0 b" L% a% h1 ~4 |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。
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！
====
' {! n9 K; h+ p! W* n6 C* L; |中文也很完美。
经验值，每次十页比较稳定。
9 q+ N1 M4 g8 \, O" W- v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。
====
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。
$ y; d5 O& ~9 x% X好吧，我五体投地，继续探索。
- v8 |9 L0 R4 B====
, A" Y/ f9 O6 U4 `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。
. i& r2 a' j& I7 ]) D" Z) Q====
; X! f( ^0 |8 ^; w. j; }5 Y好吧，有些东西是不给翻译的，哈哈。

Sorry, that's beyond my current scope. Let’s talk about something else.
====
1 z6 c* z8 [" U3 a/ k然后我的英文命令也让deepseek 帮我修改，呵呵。
. M, s; l# S1 d9 n9 A  R( V====
5 k! {2 F* g5 o3 U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。
====
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。
1 S6 L# w& s: Whttps://chat.qwenlm.ai/
( z9 `3 p+ U1 a0 F$ _& P- Z7 e. a====
Deepseek，API 看上去可用了，但是不给充钱。
1 p1 k' W" _3 Z' T4 y3 ]+ P
2 Y; F* V, f3 r. t( ]$ L2 N
" r; w4 |* o, N/ `) e' b
# E' K  O; \) i0 t2 K9 H7 \$ Z/ W! 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

" H3 O" U9 V: Q& l5 F  F' n% }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
" x; C0 q; g& g8 R( C# m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

7 T1 x! s( ~. p+ J3 r以后让deepseek 读出土的竹简
0 J$ Q! R9 b# \. w, R
8 d! ^# L7 R  c6 A5 K% S  [还有把古文翻译成现代白话
* u( k' }# l9 t+ Z5 {
) V. w; h! P$ J: k$ z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？
- H. }' \4 @9 v; F% _; [
' z7 Q8 H# a$ s5 _% j" [5 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
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 ...

! w: {4 {3 C" }0 I: d% K
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。
2 B8 [: r5 j* d" z7 V文字之类的没问题。估计deepseek现在暂时只保证主要功能。
8 T9 ]; I' k/ l0 J7 k, X3 f5 K% N0 _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。
$ I; U6 G6 o, o7 Y0 e/ z

nanimarcus

方恨少 发表于 2025-2-3 01:23
0 f' ^& H# I3 X3 l$ p. W% ^# B$ ?$ T, T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 ...

https://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。
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”。

2 h# L. |5 d8 J" O5 }" lhttps://github.com/oomol-lab/pdf-craft

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
8 {( K) T. L- T4. 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. 
   : a9 H1 x& H1 d
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   # u" S2 T9 U* D' L
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   ( a* k& v0 X3 J
9.     md.write(block)

复制代码

要修改的内容：
6 \0 ], [2 @' H+ W3 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
1 c4 G( N/ U% _& f4 q! |4.3 /path/to/pdf/file: 输入的源PDF路径文件名

" B7 H$ H; L% e5. 运行 python3 a.py

nanimarcus

% Q. Q4 d' v7 m. B
/ @" }: |  E/ E# U( C7 m7 D目前为止PDF转纯文字的最佳办法。
( n6 W4 A! e0 c1 _: O$ E6 Z先写个小程序，把PDF按章节切成小的PDF。
* M2 f- a. n- v: p& s% C* X+ A然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
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。
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。
  d% K. [# y2 c/ t* |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。

+ ?1 w5 k4 H% b% x  Hdeepseek可以同时开四个。
$ c  j, |  ?5 f1 ^

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
  e5 E  [. g( r% w* |# g+ h6 u/ |4 Z' W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
7 P6 |) V! i+ @4 B7 B* J- Q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

( F$ Q$ L" p$ M: t1 l: U$ j
已经搞定.
6 L1 @" p: E" ]7 M# ]  M5 W
& m5 E/ W+ j* G4 K8 q) }1 k3 Q4 ~3 p首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
1 `5 w4 ~3 A4 s" X6 k1 F& c, ^6 e
' V# m8 E" `+ I9 M; a) ~" |1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
$ W8 X- t) h+ X& Z+ z/ ~$ g
得到text file
6 Y1 j  `; Y5 X( j% k- y
3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

+ Q4 a' l3 R+ j* amax_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion
9 v( y+ G: t  Z8 h% y+ P" c% s
4，费用：

+ `$ p9 k$ @& o, s; e2 k. g实测：
; |) [0 a7 u8 ~8 S% b
296K 字母，用了 9 美分。

, g: m2 C/ T! W9 ?英文字母 到 token 用量大约 1/3
; @7 @' {, s: W7 p: l) `2 d2 G; h
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens
8 ]% ~2 [$ O7 D6 F8 r3 {0 m/ |
价钱，非常非常便宜了。
  p& J$ K7 [8 h9 V  A: e
参考如下可以计算，懒得算了。

0 [5 e  n5 {6 c" }1 ?0 c9 Rhttps://api-docs.deepseek.com/quick_start/pricing

6 k& m9 V( t* [' [4 D+ s  D7 A1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
( [: a9 V+ G3 f& ?4 A$ |1M TOKENS OUTPUT(5)                                              $1.10                $2.19
9 B8 i5 b. k1 H  j9 O5 `
5, Balance
! Q5 }7 _! a$ h
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

6, Models

& R# N" R: X% R2 D7 ?目前就两个
3 N/ K2 e( t) Q6 A. K# deepseek-chat
# deepseek-reasoner

  Z4 V  p3 g. x0 x' a参考：
% }; `5 U0 ^2 M( c8 }: D7 E  p+ D/ i3 Q$ }https://api-docs.deepseek.com/api/list-models
  _- }" o0 j" T- ]/ p  y

7, 问题

deepseek 会将前后两段合成一段。
3 V. x5 K% X7 D# \; H0 f- C2 o& p; S' S: g特别是那种大量的对话的段落，deepseek会给你合成一大段。
! B( v& N1 p4 ~% A  c- ]  I" ]4 M4 X
& ]! L, }/ q0 F: j5 N* o8, 钱说了算。
5 i4 c) ~( `9 U+ T7 |' M2 G$ O1 ^+ w
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。
但是API就不会出现这种情况，毕竟我们给钱了。
, Q' V  G/ G2 W  Q5 O: H; N7 Xchatgpt也是这样的。
1 v. c7 }- W0 |* p
1 s- r0 A& Q+ c
; A. U. P2 V/ e; V. C8 H% `! a