利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

+ ^" z% S7 o+ |, E; I# R4 c  T3 ]
3 |0 m% _5 y- z3 S; u; K把PDF上传，然后让他抓取文字，并修改可能的错误。
. R; U, K7 c0 C  C" Y/ v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！
====
0 E& K1 {' M( k3 ~, u中文也很完美。
" u+ j8 h- f/ V: T2 p/ R" T7 O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。
====
! |, ~" i9 I9 |* {* i2 {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。
====
$ O. o2 w' `$ z0 M- ^' w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。
: X( b# w! M9 ]% K, r- I但是任务多了后，每次翻译的页面数是减少的。
5 C& e6 e* B% p/ d. A好吧，我五体投地，继续探索。
====
& j. K; l: O8 b+ ~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。
' v0 }3 n$ x" T& Y# m. e====
' g7 z' y( ?3 x+ g好吧，有些东西是不给翻译的，哈哈。
: |  }' T/ ?( ?
Sorry, that's beyond my current scope. Let’s talk about something else.
====
& Q4 Z% n- a" m9 F7 J9 k5 _然后我的英文命令也让deepseek 帮我修改，呵呵。
====
9 @" Q2 M7 K/ ^; U" y( Z% g3 k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 l/ h% F6 x3 X& R9 d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。
====
# u! g) Y; m6 w  R. b% M$ @用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
4 [# b9 C  j9 p+ [! q) L====
! r5 h" q. W; g. X2 z1 _Deepseek，API 看上去可用了，但是不给充钱。



: n1 G0 C, |0 o1 L) p* 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

+ X. R7 N; L3 F6 e+ |- r" r) m  \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 ~. g$ l5 w7 i/ V6 \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

- B' W3 A) [% k: Y* b. v  @. o
4 q4 G( n4 k7 C9 F( w以后让deepseek 读出土的竹简
# S" k$ N  D* [- X/ P( k$ k4 w- U* O
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？

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
0 T# c0 A9 A+ G7 F! [请教是如何实现的？

0 X) j4 {7 y9 Z# q! S1 K. D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 ...

+ X, A/ r5 P. T6 r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。
4 c' _/ ?7 Y' C4 g1 s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。
1 _4 |: q: o' e, f  _3 g

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
/ u  J( ~9 [2 x. N4 w
+ t/ z$ K/ K: s0 g- p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 ...

0 P9 W0 H0 P( s. ]1 O2 g* r+ Nhttps://chat.qwenlm.ai/
6 P3 C& Z( D) D2 E& W( y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。
# j  @; w- Z* t' B7 g( O; w8 {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”。
- s. ?+ s6 N9 Z* f+ E8 q
https://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
( x3 a; F; ?" C( @) }3 `) ?5 t2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
( p0 F' D3 e- E" q3. pip install pdf-craft
. m, d  n9 N, F7 l4. 把下面的内容写到一个文件里，例如 a.py
4 i$ ?' n2 ~/ }9 P% y
' u2 N% D4 [. Y7 \

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   ) x1 y$ E. Q5 P
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. )
   
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

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
7 `- m9 i8 {; A& r- w' E7 l- U4.2 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

/ {, M/ W1 i2 @  b2 C5. 运行 python3 a.py

nanimarcus

  \. o6 E' T# _' w4 y目前为止PDF转纯文字的最佳办法。
9 M. \4 l/ o, U先写个小程序，把PDF按章节切成小的PDF。
5 e: }' ~9 F, D/ _然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
/ v# }* t7 A* }  g效果非常好。
8 u/ w+ y- ~3 b5 t/ m
3 L( |7 P! u% ?4 d# q$ Odeepseek，qwen，chatgpt 三个，deepseek是最好的。

7 ?5 N5 Y2 L1 |, y& G% Z3 [, L4 ~- pdeepseek 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。
& ?" o% T/ f9 v& V" F我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
( K7 B8 r0 k( d: a) t
2 w" t/ h8 c4 R( |! YAPI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

* L3 G# F# ~% h6 ^2 B
6 Q; D- w1 e$ O% k$ _, c3 d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 G+ I! u' \3 m; R2 t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 ...

/ J" }7 d/ |8 c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

) s8 B& I! H3 W) g3 i! y# F
已经搞定.
9 L4 Y4 ]2 v1 Z1 B, q
2 q8 T: T2 m, ^) A* ]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

$ P( {4 D! E% n! p7 H) ^- M2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

/ S/ [$ e6 L# G9 d' K2 O/ ]! I7 d* S' L3, python 读取整个outputfile，丢给deepseek 矫正。

2 s' W- Y5 L1 M: t2 H/ P5 K模型是 deepseek-chat

; x8 Z/ ]1 Q$ l& umax_tokens 最大是 8192，别的不用改。
& U- W, M) f' E+ F7 a2 u/ v3 g
参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：
! \$ W. Y9 D; _- }
" a8 f) n( [9 P$ \实测：
2 e; w, |2 d5 J$ K8 L
3 N. z9 Z, K4 A/ B6 o& c/ @0 z+ V296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

9 Z  G, [0 \) z6 w: ?6 S3 Etokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

# D, V$ t/ H1 [6 ~32899 个字母花费 11782 tokens，包含输入输出的 tokens
- y5 ^( B% H- D6 l6 b
% Q- e( D5 x/ i2 q0 J4 `  @价钱，非常非常便宜了。
  Q) @+ `  j5 ^$ z3 _
3 v; X- T9 k7 i$ C5 Q参考如下可以计算，懒得算了。
& q# P! [9 h( m
( r+ ]9 J! S7 @https://api-docs.deepseek.com/quick_start/pricing

( f* h7 {# K& N. s1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
2 l6 H4 |# M( ~  {1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
4 b3 |3 u9 H4 c. ~0 [1 M
可以在程序里调用，知道每次运行结束后，balance还剩多少。
, A! a/ |, ]; H参考：
7 d- @3 g4 H8 `https://api-docs.deepseek.com/api/get-user-balance
* y; a- ^9 C6 |1 k+ I- C
( O. d$ @* s" |1 H7 j8 u# V+ o6, Models

5 {8 d7 y& T; @9 ?目前就两个
0 e2 h" e7 n8 F+ z! P9 c# deepseek-chat
6 q; s. e, }0 y5 M1 D# deepseek-reasoner

5 R2 K3 n$ w; l3 s& M* B& w参考：
- |/ W+ j" D5 Y6 J  Rhttps://api-docs.deepseek.com/api/list-models
: _( ?( R. s7 l5 A& X+ d; u

7, 问题

deepseek 会将前后两段合成一段。
& @; j0 ]' B. Y特别是那种大量的对话的段落，deepseek会给你合成一大段。

0 Q( _" F5 H/ ]3 Q8, 钱说了算。

7 }  C# f) n; m+ I9 H( C1 x( Gdeepseek 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。
9 D( C% G, `+ t, V! r; m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。
! ]4 V! D- y+ ~; R1 [0 m6 v