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。
- Z' D8 L8 s1 U* x$ d! z* M然后deepseek完美的完成了任务。
# r# d2 e  q( u段落清楚，列清楚，页眉页脚全部去掉。
- u" ]/ U3 Z7 c* q  x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！
; X3 @+ \- D8 M2 @) N====
' U: N. v; m) F: M1 Y7 Z中文也很完美。
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。
1 G: i+ d% u4 q4 G====
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。
====
0 C# ^4 X$ L6 y2 `6 j; g7 }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。
5 l3 g8 V' t: O) k5 T& n0 B" d* l好吧，我五体投地，继续探索。
====
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。

! y8 e" P1 ^; ^6 c; M& s  _  |2 KSorry, that's beyond my current scope. Let’s talk about something else.
====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
% l) p8 B- ~9 _. N. W( r4 W' A! H6 l8 X; d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。
====
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。
$ q1 k5 K5 y+ T! ]- a: F====
" V3 z0 D2 D' k' M7 r用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
  V' N0 _& L; l* p6 |" p====
Deepseek，API 看上去可用了，但是不给充钱。
, y! g; X6 C" O( h0 ]. `/ e' N
0 R' M6 x- @' Q4 P) y2 ~

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

; w, {+ w0 ]  A: V% }2 u+ T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

% u* P$ x/ O. z( C! j* p" 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

8 h7 Z$ Z5 z' C. I/ F& R
8 _0 k' o. N6 w# U/ x以后让deepseek 读出土的竹简

还有把古文翻译成现代白话
5 r+ V- n4 U. ^3 {" O* E
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？
% L7 |1 R9 |" J) {. R2 U3 n6 K
  ^" q1 V! B" V+ h/ d& t3 h0 D' M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 ...

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。
2 ^9 n* @( o% T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？
$ P/ p/ z: q! R
. t4 Q' y$ Q7 D6 l# o  `- x8 ~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 ...

* n2 g7 R7 z# k) Thttps://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。
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。
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。
5 O) Z- e% C: O. R9 w: H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”。
# i  N2 a  |7 {( p6 q
4 n( r. H: O4 L- T" khttps://github.com/oomol-lab/pdf-craft
+ y: N5 A) v8 n# A1 B% f' ?6 m3 t
1. 这个工具要求装 python3.10
0 L  i9 p- ]1 `8 j+ p2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
! _5 |" H" `! F! u! @* C3. 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
   + I- L. |! [, E# d9 |
2. 
   
3. extractor = PDFPageExtractor(
   
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

. ?+ W2 u" J. x/ U
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
" q6 S1 i0 r5 X+ u/ w2 A! z1 W4 H4 o4.2 markdown_path：输出的 markdown 路径文件名
) ]' [. V3 }/ |+ ]  @4.3 /path/to/pdf/file: 输入的源PDF路径文件名
! C) V% d% C& o0 J$ B+ x
5. 运行 python3 a.py

nanimarcus

/ Y' U5 P7 ]+ Q
目前为止PDF转纯文字的最佳办法。
( z/ l5 I8 p! @5 H/ e+ e( H. \4 H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。
, z% Z5 z* W+ V( ^! H5 l- `效果非常好。

9 q" b7 S; ?6 O! |6 z* w8 |deepseek，qwen，chatgpt 三个，deepseek是最好的。
8 v% L0 J+ k' F6 t
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。
" _2 N/ N/ O1 S; D# T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。
% K$ p  K% h, T' I$ P& M6 d5 m我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

API到目前为止，差强人意，不如网页版本修得干净。

$ K* S" e, S/ }5 z( adeepseek可以同时开四个。

三力思

+ d# D7 m2 \9 ~% S8 j3 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

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 ...

细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
- u' W2 l  i% m  f) y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 E* Q- T0 i
已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
: _! A) F* B$ r9 I) B
1, python + pypdf 按章节拆分小的PDF
5 h5 h' r. O. l3 j- D8 U9 j4 v
- Y" K2 X; a8 G. z( W3 @7 i2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
  {% w# S2 e  R: ?
+ d" B0 A" v( B" X/ l7 W得到text file
. W6 w) L- T7 ]0 Z2 M
: o# Y/ {6 B  `+ }# N3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

; m: l1 ^+ P  C& |1 z5 Zmax_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion
- A: N% s5 T" H
' V+ o, A% d! h6 ?6 G. e3 F4，费用：
* D& B# Q: s$ f" U
实测：
0 h8 B6 P- i9 t& @
296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
& f, {) W; [' h- o/ o- J( W
8 i6 k4 y- s1 G/ U$ Wtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
! L5 x6 f' T7 y4 e5 j
: b$ o$ w' @8 `* |$ X32899 个字母花费 11782 tokens，包含输入输出的 tokens
9 Y  p/ d2 D0 b& M6 R2 C
价钱，非常非常便宜了。
) `' {, I0 s( n" N+ O- H/ B+ j
参考如下可以计算，懒得算了。
0 W0 o3 n# d; @: D# n
https://api-docs.deepseek.com/quick_start/pricing
7 G# g6 [/ S5 D' e: h
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
3 }# n' q' A" c* D* h- T: n1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
/ b$ m8 a2 ?; f7 `( R7 K
5, Balance

4 C0 L  R- {2 x. D5 U可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
3 v* W3 A; z  v7 e  r+ C6 S  Q( x! ohttps://api-docs.deepseek.com/api/get-user-balance
2 J7 ^9 T, G1 a( F! B
9 q  w  T$ t  r, [9 c8 N& ]6, Models

, `( s/ o  B1 g7 m' X目前就两个
# deepseek-chat
# deepseek-reasoner

参考：
* t- V8 P" P( K! o! chttps://api-docs.deepseek.com/api/list-models
7 B. L+ d: S' d+ N
% T- a: a+ w  X+ ]; h8 |
7, 问题
5 Y% G7 J4 Z& G, m! r8 A
deepseek 会将前后两段合成一段。
4 M7 L1 q) F' M! ~& P# {特别是那种大量的对话的段落，deepseek会给你合成一大段。

9 |. p" d% A' ~7 W% k% w6 ~8, 钱说了算。

! r3 C$ M  u5 X5 T: U. N! Ddeepseek 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。
) i( D' v7 ]2 `# p! _
) A) J. j" j. ]7 g
$ \6 T) u7 o' g& L" E0 p