利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

6 G2 d5 j( r7 I2 M
2 V3 h7 A+ o: \$ |把PDF上传，然后让他抓取文字，并修改可能的错误。
4 u+ k. a) q1 ?: `$ r  Y然后deepseek完美的完成了任务。
0 d' g" k4 m- p# K2 G3 x1 b7 s; w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！
====
0 n4 N# l8 E: \中文也很完美。
6 X9 f6 g; \+ {; c( 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。
6 Z/ ?. q* b# E====
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 f6 K9 q4 W# T; 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。
: `1 F$ d/ d0 s# z3 S- c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。
; V, m  A7 {8 k2 o====
' J. N, P0 ?2 y( f0 ~$ u+ w# X5 N7 C" l1 F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。
2 b$ U  {8 p: q6 K  T$ G9 Z, E====
; ?0 D9 u, _9 }; a6 e8 {好吧，有些东西是不给翻译的，哈哈。
. q3 g" n  h4 g0 w
Sorry, that's beyond my current scope. Let’s talk about something else.
, q/ i( T& Q. K4 x. _: O) U1 ~====
然后我的英文命令也让deepseek 帮我修改，呵呵。
8 @2 t! N7 U3 b====
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。
+ Q8 q3 ]9 I% N$ ?; p' 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。
====
- c, T: r8 D. `用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
+ n1 f; R0 ?" N, d* S; y" r====
1 Q, _# F/ B1 J: s. f1 I4 C: h7 SDeepseek，API 看上去可用了，但是不给充钱。
; X5 e, W! e9 y) z" y' f  H
; G# C4 T3 V0 d

! r7 G3 K4 |6 i5 c) K3 E" a8 o4 h

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
* j, t: t0 F% \3 W( m; C! S5 @, i这功能很赞呀

2 U9 P7 n9 _( e' G* q3 B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
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

4 I0 \( t* l/ x9 `0 \
以后让deepseek 读出土的竹简
# G& D- E: C# _- ~$ G3 Q9 ?
还有把古文翻译成现代白话

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？

& B/ z7 ^6 a5 J  o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
/ ~1 E! S3 o& n& P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 ...

! v8 M  b1 z0 i6 E- X" M. Y
( r. J1 m$ m2 V7 A& c; }) c; L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。
1 h  s0 [- I2 M0 h4 h9 \. ?文字之类的没问题。估计deepseek现在暂时只保证主要功能。
" `! s& f3 I) X! o8 x/ y: l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
/ _5 T7 f  K, A( [7 d请教是如何实现的？
1 ]6 b, A3 G: Y6 `
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/
/ N. Z0 O( b8 e; F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。
- @. |, U/ h; y0 E3 R; t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。
( F! U  x( ^6 g, d6 X/ Q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”。

; G! N1 }& a) Yhttps://github.com/oomol-lab/pdf-craft

3 g3 t  I2 R' u# {( ]4 {1. 这个工具要求装 python3.10
/ e) v1 U8 k$ M2. 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
   5 y! _5 r* Q) T! e" N
2. 
   3 B- ^! C- ?3 b: E( l: O) y
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   , T( t% R7 m2 G' s# {. Z( D% F: `0 H
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   6 t/ F9 I0 T) p8 p
6. )
   : M! S" }9 N& u$ u# {
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   / r# O' o) t, ~5 {8 s3 S7 ~4 v
9.     md.write(block)

复制代码

3 R9 S0 |+ X# Y/ s: D& R/ z) t; 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
5 x* Y; G& s% X7 D4.3 /path/to/pdf/file: 输入的源PDF路径文件名

  C: g, G7 Z  S- p* T3 A& T! g3 Y' E5. 运行 python3 a.py

nanimarcus

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。
! u) j2 ^  P. L$ w然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
* u! M: g# Y! M& H" X) E效果非常好。

. ], v5 k; }' E  p% Gdeepseek，qwen，chatgpt 三个，deepseek是最好的。
) f  U' D  f& F7 Q
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。
9 N* }( _  ]( W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。
7 ?( _' g4 g( ]$ G* _& {. \2 `6 D6 z0 n我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
' A( e! Z3 s4 A3 |4 R
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

& R  L, h! J, e+ M
6 e7 q+ W& c% [1 l! s* f: y8 x  s- V  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
7 A! s7 M7 o8 z. I" Y$ ^- u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。

1 E5 C' Y! @/ k$ A1 R( G; R* A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。
' E, G! @" C& X- p% L
1, python + pypdf 按章节拆分小的PDF
+ V+ p; A& e' k& r5 G
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
1 C4 O$ _0 W) S. [: N3 T
模型是 deepseek-chat
2 L; i5 g% P- h
max_tokens 最大是 8192，别的不用改。
; E7 P1 k, r9 x2 \, y
  V- q: J$ N6 O$ z6 R" I  `参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：
$ L' K: {" i! V/ |* b; D) G0 I
实测：
. J0 X( Y! t8 L( p
296K 字母，用了 9 美分。

1 S9 r/ N4 g. ^' o% {0 M英文字母 到 token 用量大约 1/3

5 Z7 `  s* P3 I# htokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
* j  O0 u& m! u' g3 V! q
32899 个字母花费 11782 tokens，包含输入输出的 tokens
9 ]$ A, j8 b' C3 W3 n3 H/ B
价钱，非常非常便宜了。
( B3 m3 S( ^- n, z( g4 D
1 E) c9 `$ B- |* u* [$ c参考如下可以计算，懒得算了。

! z8 v- }" b: N" U9 Uhttps://api-docs.deepseek.com/quick_start/pricing
, r0 k% f$ b' x
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

8 k" q' m. l! k2 M5 a; A2 t5, Balance
) K" p( N! _  ]# T# f
5 V4 M8 ?" m( x6 Q可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
+ y7 D7 e0 V$ n1 ohttps://api-docs.deepseek.com/api/get-user-balance

6, Models

' G# J3 \% J6 p8 c# P+ \目前就两个
# deepseek-chat
' M# H; L+ L! ^% J7 L0 v# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models


( a! R6 |9 R# F7, 问题
4 ?/ D* f9 s' j
deepseek 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。
( y2 Q2 O0 m! o; N$ F4 B* H
8, 钱说了算。

! }7 w0 {, y1 G+ p, Z2 P, tdeepseek 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。
chatgpt也是这样的。
; |3 k7 c1 g; V/ G! ^( C, n+ u) A; W