利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

+ M1 M% j5 t2 U
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。
& Z! H2 N4 D  f8 ?段落清楚，列清楚，页眉页脚全部去掉。
7 s7 ^+ d0 M9 w7 B; S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！
====
! e# }$ G8 s3 R: j# R! d中文也很完美。
  \2 X/ S+ D% S& A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。
* n' R4 u: R, t, [====
第二次疯掉了！
# s' C' x1 Q! L( [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。
====
  K! U( V1 ]% V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。
. _9 Z; ?7 B; Q9 y( I====
% |* Y& R7 M4 X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。
====
好吧，有些东西是不给翻译的，哈哈。
1 ~& M5 }0 |5 M+ y+ s
Sorry, that's beyond my current scope. Let’s talk about something else.
+ _, i4 G9 N! N3 Q& Y====
然后我的英文命令也让deepseek 帮我修改，呵呵。
, N+ v& i. \- M+ S" A====
8 C2 x( s2 A/ C  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 F* \, O/ j3 w: ]) [====
0 k. q; Z+ F* r# W# v4 ~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。
2 M! \* e* o8 [6 b6 W$ F====
用千问吧，非常稳定，非常强大。
4 t  R* m9 y( y8 s! ~0 U9 Ihttps://chat.qwenlm.ai/
! @  ]$ n$ ?" P4 M, h0 ]0 w6 e====
9 R+ m6 r! W/ e1 }7 VDeepseek，API 看上去可用了，但是不给充钱。


/ F5 b# B: }- p
! J% a7 q9 X! V0 D6 z

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
2 Z. w$ `7 a- m% E$ h有没有上传整本书试试

; X: I0 W- J4 x* ^  K3 l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

2 S; F  j# `; d以后让deepseek 读出土的竹简
& X" W0 F4 c2 \  Q: t
还有把古文翻译成现代白话
" C# i6 r8 x  Q% Y
8 D( d. |% `6 o& Q: G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？
$ j" M% ^5 G+ h8 T+ {
- I  ?  t* Y% M+ Z; ^) E, l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 ...

+ R* ?% [% c. n
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。
9 I( |( N5 ~: s& z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 n2 ?& ^" H$ e1 _  E

nanimarcus

方恨少 发表于 2025-2-3 01:23
7 m3 X% j( H) I. p请教是如何实现的？
$ y* r# H) s8 v9 Z- X+ ~% i0 ^' z  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 ...

+ d1 F: g1 O6 u% f5 K+ V3 e8 qhttps://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。
9 _5 ~, n) R- L$ g/ U很稳定，质量不错，好像最多一次处理15页。
% w8 v) O. m7 r- Y7 J+ y8 l; l7 r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。
8 T- o( @8 l; N8 c4 C) A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。
+ z; M- @) I0 }/ _8 y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”。
% Z. V* Y4 [% B' e6 E  {" e
9 z6 t2 u; D  r( o- p( }2 yhttps://github.com/oomol-lab/pdf-craft
7 p' w$ w( D  E) m
. A* X; e2 m8 U/ z1 Y2 u: e$ a1. 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
1 Q  I6 n( E# Q' l2 y9 K4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   : L7 A( B8 F1 w% _
2. 
   
3. extractor = PDFPageExtractor(
   5 C" r4 q% C7 n
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   / _3 j! U5 K2 r4 v
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   1 [! t/ i3 {4 b! r0 I1 w2 a
6. )
   % O; @) _% y$ f- P
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ' N2 U9 n( W. h) ~4 Q
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   " e% a; T2 ^2 ]; C5 [
9.     md.write(block)

复制代码

1 O# I1 @) m4 O2 X' V! F% T
4 O5 g0 t$ m2 `4 j$ {. k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
- Y- K" M) p( E) w4 r5 ?$ L/ Z! B4.2 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

0 S: v! K- I/ [. x: Z& }2 Q5. 运行 python3 a.py

nanimarcus

# V( ?6 i9 c4 _5 a- R+ m
  ?7 n! D! n7 {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。
8 n% ^3 S: N0 L1 }, S效果非常好。

3 D3 A/ m7 i: }  X0 G5 O4 y. adeepseek，qwen，chatgpt 三个，deepseek是最好的。

& x. h1 O6 n# |/ [% u5 A4 Y) o8 ?& Bdeepseek 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。
7 Y2 S! [3 t: _! f  b' L我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
2 ^5 F6 @! c# p
0 {2 ]" J; \3 s: A8 g+ xAPI到目前为止，差强人意，不如网页版本修得干净。

7 q* \& D" d* c1 D8 P+ b) L. ?deepseek可以同时开四个。

三力思

1 p- }9 W# \' ^- ~
) M4 _# a8 {& O3 n8 @( G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
  X1 l# G+ i* U- ]4 X9 N+ ?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。

3 @5 f/ |6 o% j. j+ ^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

8 B9 ]* o3 s5 X' O" ?
已经搞定.

1 T$ S9 l5 Z9 i/ c首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
0 Y1 d2 b  r) \; i; R2 t
1, python + pypdf 按章节拆分小的PDF

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。

& `& s8 _/ R, T$ [( q6 A$ i模型是 deepseek-chat
: ^% Y) d+ y) [
max_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion

5 F, p3 s. v5 d% w4，费用：
2 a. v. }. o" W- Q# d3 D
实测：

: c& H) N: h8 e8 `296K 字母，用了 9 美分。
. ~5 d. |1 Y4 D# ~
4 i- `' i1 n, Y4 Q  {英文字母 到 token 用量大约 1/3

" s6 T+ U  _: ~% ~7 Gtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens

4 @8 c) i& `! V$ o  x1 V6 n* C! x价钱，非常非常便宜了。
6 U, ^, Z! V8 S0 y
9 Z- O3 y+ H6 m5 l8 @0 [) S9 s参考如下可以计算，懒得算了。

& h7 g4 E5 s1 S% V# U! yhttps://api-docs.deepseek.com/quick_start/pricing

3 f; E. M% E3 i: C0 J3 m" Q$ s5 A1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
" ~/ p* Z" B  |: i1M TOKENS OUTPUT(5)                                              $1.10                $2.19

+ s7 R( j' L! v5, Balance
/ U3 A4 F, E, c& Q3 ~
; F+ ?8 [6 D- P: M6 w6 i! E可以在程序里调用，知道每次运行结束后，balance还剩多少。
' ~9 \* E) k9 S7 W' P参考：
. N  u: u2 @3 |  Thttps://api-docs.deepseek.com/api/get-user-balance
( [* F8 j( N0 K/ I( V# K* ~8 O3 j
' L. ]$ Y2 P+ `+ L# p" u, t4 M6, Models
, f5 R7 c5 t2 v# D9 J5 b# S
. ^  @+ S# C6 b, G7 |" N目前就两个
# deepseek-chat
: A/ [+ S4 `% A$ ^$ \" {# deepseek-reasoner
2 m* a( C3 d* m- C5 T& J% ^+ N) p
) t+ \+ N' H7 n8 U: g5 v参考：
, I( X2 T8 }6 i1 W. U; i/ ?https://api-docs.deepseek.com/api/list-models
# Z9 K/ `: D; M9 ~/ I8 t

7, 问题

deepseek 会将前后两段合成一段。
9 B: T  R& q! _. l. l" Q2 N; F特别是那种大量的对话的段落，deepseek会给你合成一大段。
1 P/ P! D6 c/ P7 c
8, 钱说了算。
) i! [( \. J. R! ?4 I( 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。
2 |/ b0 x* `2 u! H5 _/ t$ F1 v- L但是API就不会出现这种情况，毕竟我们给钱了。
8 D' q( T" _1 G& D3 Pchatgpt也是这样的。
2 p1 c% x% N4 g, x

" E7 H, t+ A" C& i