利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

  d- I" a1 c9 s: z7 b7 ~
5 h) i) S' c2 s) j" f把PDF上传，然后让他抓取文字，并修改可能的错误。
! e2 A) s) x9 G7 U* Y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。
( j/ k/ [( A4 p& T' `0 `我要疯掉了！
& |7 @7 c3 G) q# l4 y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！
====
, G4 _, }+ u- Y8 t! ?( o$ n中文也很完美。
经验值，每次十页比较稳定。
( G. Q/ T, C9 ]$ r现在我这里API还不能用，等恢复了，全自动了。
====
第二次疯掉了！
3 d* i; L5 n4 T5 i/ _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。
& r1 @% ^( L* {- A====
4 i/ D8 U! o5 w8 f; l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。
好吧，我五体投地，继续探索。
8 A  Z# d# }& R% l* s- O====
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。
====
) q7 U: s) ?5 M: }好吧，有些东西是不给翻译的，哈哈。
( i; ~1 O9 v- H7 f
Sorry, that's beyond my current scope. Let’s talk about something else.
6 Z% o% j5 T7 t====
; m# i0 b/ w, m然后我的英文命令也让deepseek 帮我修改，呵呵。
+ n$ H4 i7 w3 s5 M4 v. B+ O7 k====
' |9 R- M) V: V7 ^! e0 Z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。
( k9 x# Z8 ^. N; \& c% [* y====
时间段的话，北京时间的下午和晚上用比较好。
( x1 ^9 S' |" t: l4 d后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
" F# i! Y  S5 p3 k* R====
: B9 e- p. R% n" P/ I9 t用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
- Y+ Q2 F% X; h* g! v. f+ z====
Deepseek，API 看上去可用了，但是不给充钱。
9 c7 K) N" Y# p; e


0 [! J% x2 @# Y4 Y5 C+ L. F

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
( B/ ^+ |! O. a+ m# O; m这功能很赞呀

. o% O- t- A7 m, c/ z$ q6 e. \. o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

! z3 ~% ^- X' X: m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

* A% |2 ^$ f6 \5 C6 A! a以后让deepseek 读出土的竹简

, K3 \% s: @0 `8 l/ ]+ E还有把古文翻译成现代白话
$ o0 c" Y1 a& R1 `3 z% _1 n
9 q% N! U1 k3 n) p; w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
请教是如何实现的？

" p* g$ t& ^) ?, x- V1 I  b0 D+ 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 ...

1 m) A' h8 c, Y. [0 J3 Z1 Q
6 j7 `6 K( q* E2 M8 b6 F# L) B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。
7 D* E1 h& Q7 g1 R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。
" E( p' z  C7 Y( r

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。
很稳定，质量不错，好像最多一次处理15页。
) f; `7 P% R, [/ M( g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。
0 Y8 F2 a2 }7 }" _1 q0 ~$ L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。
4 [" b' l" ^: A7 z8 x5 v& k0 m/ o5 L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”。
9 E& O: H7 u( k- J" b  Y
( i4 j: L. p0 g* N5 P  J% Zhttps://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
$ j* _' F; z) _1 a- }' b3. pip install pdf-craft
8 O+ l& U$ `8 [/ @5 E- ^2 c4. 把下面的内容写到一个文件里，例如 a.py

5 n* C3 B/ ^" c( s$ D! v/ m

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   , Q5 Z8 {/ o7 U' E$ R
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
   ' U( b) B6 k- k3 T
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ! f* ^; T+ }! C8 a" M% v6 d
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

- Z! A" e8 z" e" m- S4 K8 h4 b; d
2 g8 K9 y9 h3 v% R0 h要修改的内容：
# x( f7 r1 v$ O. v$ x# u4.1 /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
, ~* }' m! A7 R5 e: x4 G4.2 markdown_path：输出的 markdown 路径文件名
9 e$ y7 f4 n+ ^6 l2 y* ~4.3 /path/to/pdf/file: 输入的源PDF路径文件名

% m" F+ k. n* d& m3 R- Z5 @- U. ]5. 运行 python3 a.py

nanimarcus

) @1 w, y$ O& R$ h
! Z1 }: u" r$ s3 _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。
然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

, G$ `1 W5 i/ ?3 ~4 odeepseek，qwen，chatgpt 三个，deepseek是最好的。
, k0 ~; P% }  H4 n1 p7 j8 H
; B. `% B5 }! B; 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。
3 V7 ?6 X, x1 X( t( t3 K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。
我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
4 D( `7 X1 Z6 d2 o7 }5 D7 \
; E7 ?4 [2 q/ m; i/ N, BAPI到目前为止，差强人意，不如网页版本修得干净。

! D, r- `, Z8 y9 b& U$ Ldeepseek可以同时开四个。

三力思

( g/ G1 b1 `: Z( Y  c; \' c# O+ Z: 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

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 ...

& w2 |3 g1 n) i: y- M2 ?细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
) I% J5 w  R+ E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

, Z7 p2 r# t6 `# K" O' @
0 X0 |/ U- U; N% N: ~已经搞定.

# H# j3 E" H( R: F: g% Q首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
7 X# g5 H# p9 s: M1 z% ]2 B
1, python + pypdf 按章节拆分小的PDF
% g' Y( P0 G: f, `, h# j
: ^% W0 _, A$ l: x2 T5 N# i2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
* r* W6 g! P* D& K# |& M
得到text file
' s/ z( k- m/ o0 n  Q: v
3, python 读取整个outputfile，丢给deepseek 矫正。
6 E4 N, K/ O0 I; d$ y* n
模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
* m# W3 ^( m" ?9 a
0 ~8 C3 b2 ^/ u4 E  y9 J参考：
https://api-docs.deepseek.com/api/create-chat-completion

, t( f5 E- K2 d% w; g9 k" U4，费用：
/ Z8 L& g& F' t8 }  G6 l9 l
实测：

296K 字母，用了 9 美分。
( C9 s3 L  e& b  R5 |) F
英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
3 h- ^8 |. m9 }0 t1 q
32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
/ v  O" k, W' g6 M1 e  {' D7 T4 R
% ~8 ~: \" z# t8 v参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
" E  e# T7 G$ S! @% F' k: 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

+ E1 B5 P  E7 t: E5, Balance

) h: d# l9 ]# j' A+ b2 s$ C可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
1 T% S* K( z6 S6 B7 A* |https://api-docs.deepseek.com/api/get-user-balance
4 P3 U3 _$ v' f' Q% Y
5 C( @: ?7 O/ i* m2 _6, Models
$ u! S) V, ^4 |2 q  @' N
. N4 R/ ~' b  k$ W目前就两个
# deepseek-chat
0 A2 A7 ]1 A$ c/ ?# {. L2 r# deepseek-reasoner
: v: ]% i1 ?, Y0 L# B' v: a( V
参考：
https://api-docs.deepseek.com/api/list-models

4 x! F8 X8 n2 r# Q8 E0 x
7, 问题
5 w, ^  P: m/ s: S9 Y2 a
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。
: [4 K/ a6 a6 }( u' Q: \
8 b) a/ M( {$ f3 G8, 钱说了算。

8 O0 f5 B( p3 Odeepseek 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。
, `6 B7 Q. z9 s+ m4 P5 [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。

% M. b* T, b" }1 N; [6 q% j