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。
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！
8 G; }' B2 B& ?$ u# X; k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& x& R9 s" A( H中文也很完美。
! ^8 Q2 h! q- _. s: K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。
$ e/ F% r6 H( l% b# ^/ h$ u====
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。
: N2 R$ ]& F/ j& o9 P! Z====
) r' U' o& L% A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。
  h. Z4 Q% A4 g9 s/ o9 o0 N# Z好吧，我五体投地，继续探索。
====
3 C0 \+ `$ \1 G9 y4 i7 G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。
' ?; {# z0 k$ c& q+ H9 a====
0 c5 m; U# Y8 _, _% s2 z/ b' Q好吧，有些东西是不给翻译的，哈哈。

, P' r& y3 O) h2 MSorry, that's beyond my current scope. Let’s talk about something else.
2 z  F5 ~" a8 c- V) m9 r! q4 m3 A- d====
8 v  I% w6 h6 F8 D* M% a然后我的英文命令也让deepseek 帮我修改，呵呵。
====
' X) c) T$ S) \( E6 n' 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。
: a( b2 V! I6 G) ^4 F8 `& _- J====
+ K2 m/ D5 E8 v- E* _$ Y7 D8 {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。
====
) p- K' T  y) X! N用千问吧，非常稳定，非常强大。
7 D  B! T7 U* {' J, _https://chat.qwenlm.ai/
' g; i7 P) H$ P- e9 D# }% T4 l( M) Y4 e====
& A) o* N# u3 t* fDeepseek，API 看上去可用了，但是不给充钱。
/ j$ q2 C3 c2 Q: Q7 ]
1 L" R! v8 c: r9 A! I; T2 p- [: i

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
' x" K: m( l3 B: n" x0 y有没有上传整本书试试

7 G1 b  V, Y; |+ l& w; R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

" P# g, b$ i5 D. h; v
以后让deepseek 读出土的竹简
' A* ?; e& A6 G$ T
4 x' Q# ~  J3 Z还有把古文翻译成现代白话
& \6 k8 X  H4 ?0 I! u
' H3 y6 E2 k" e0 S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？
# d' K9 y- ]5 C  o5 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？
+ f& S. F) W/ h# J6 \1 b# a
( @7 E2 B- t! _1 [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 ...

9 u  |. [& O4 B7 s1 e, m8 `7 \
/ |& N! e* N- i8 U5 C! V1 z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。
4 K. A8 j% x) [/ Y( R0 K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。

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 ...

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。
( a  f4 l9 v+ w7 l# [; p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。
) V3 `$ T! c, n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。
* [; h0 u9 G5 `6 Q7 z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”。
% M. s- M, n6 i) Q* a
7 c" }, C4 x1 h# \% ohttps://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
4. 把下面的内容写到一个文件里，例如 a.py

! T+ w- ~& l8 Z$ l8 G2 N( z0 t

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   0 ^4 x8 e' J( H# S
2. 
   
3. extractor = PDFPageExtractor(
   2 U. U, n, Q0 o5 ?+ u: g
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
   % n5 a5 {+ y% a# z6 ^+ N& z* X
6. )
   & r2 M$ G& n$ X$ T' p
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

. F, I& a' V) D( ?' Z
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
4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

- _3 ?' z1 `/ P, t9 u9 S
4 q+ c0 ]; L# J4 o. x5 `9 z$ S目前为止PDF转纯文字的最佳办法。
0 M3 }1 ~$ `9 Q1 @5 l* R8 Y: V先写个小程序，把PDF按章节切成小的PDF。
, G: _& P) f. C( j6 ~; H然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

7 F, C& x0 b- Ideepseek，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。
6 }' z0 U4 f: C4 z9 T我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

' h% U% j2 H% X0 f1 S4 vAPI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

  j6 @# ]; c2 m2 f$ K
9 A. {* ~8 E( r$ ]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 ...

, H1 l0 @5 w" a" e6 ^/ K, q5 ?, q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

& p2 _' H6 p- O0 r3 p  C1 q
+ l. o! N4 M! ^0 z. Y$ i- _# k已经搞定.

& U- c) R5 [7 _! p+ Y' L首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
; c- d/ u6 i( T7 s/ R5 n
- N" x- _/ `, B$ X1, python + pypdf 按章节拆分小的PDF
- L: Y" h9 K3 ^3 j
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file
4 r+ h. X8 K& v: K
3, python 读取整个outputfile，丢给deepseek 矫正。
. r# K/ v5 a  x% b, h
模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

5 s% G& m& j) `, t6 b' v, N4 h. R* Q参考：
: c7 l- u4 @% h& K+ R1 _6 {7 n  vhttps://api-docs.deepseek.com/api/create-chat-completion

! k% W$ V9 N) W3 m! f! E: ?9 f$ S4，费用：

实测：

) ?. X8 W! \* [0 u6 V7 x296K 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
# Z' g2 Q0 z8 p: {# H* s% n' p
0 ]' E" a7 E% _) j32899 个字母花费 11782 tokens，包含输入输出的 tokens
1 ~1 t. Z: s" u7 x7 m
价钱，非常非常便宜了。
) e( Z$ y$ ?. d( ]' v+ Z/ q- \; C
参考如下可以计算，懒得算了。

# h. `+ P8 i- U" k2 `* Uhttps://api-docs.deepseek.com/quick_start/pricing
- X; L  v' O  V: n/ e
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

+ C# b6 y3 _- n; V& |  l5, Balance

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

9 B9 }7 a9 Y$ T5 A1 E6, Models

$ Q, G( |2 N7 I, ^目前就两个
# i3 w+ L$ E# C" s. }+ U3 F( T. t# deepseek-chat
# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models
$ J8 _9 i# O7 M* X+ [( b" \; f- E

' {% S# A: |# U" D8 a% A. D, h7, 问题
  u1 O  U4 ]# o# j/ i
& L4 K& F8 a0 L. N  K" p( G) q! Pdeepseek 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。

' @: ~" x1 F' X3 C8, 钱说了算。

  {& S6 W$ |. e7 d4 Z! K* o# m# q! Q, Sdeepseek 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。
+ |/ l% C# t  t( Ychatgpt也是这样的。


7 [  s! j9 j: j* _/ G