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。
然后deepseek完美的完成了任务。
  T4 j: e7 A- L% i# i. H# T  h段落清楚，列清楚，页眉页脚全部去掉。
. `' _6 P$ r) V5 ]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！
====
, k# Q3 {* \+ j中文也很完美。
' c( A- c; K9 B& E; B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。
- j7 G3 M5 s, X* f====
, z2 |9 L  ~2 B' g$ D) h2 G" m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。
====
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。
( [& a( P% q# z+ N8 r" P" G5 R$ M好吧，我五体投地，继续探索。
9 h# l: m1 g$ p! L( C4 `====
0 D1 x9 D) ?& B, R4 t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。
1 E0 i3 e: x: `5 c& ?6 y% [====
好吧，有些东西是不给翻译的，哈哈。

Sorry, that's beyond my current scope. Let’s talk about something else.
: i. j) m; F- N: ~4 z: P; W+ H! _====
  R( M& q+ w0 X- D然后我的英文命令也让deepseek 帮我修改，呵呵。
====
+ ]4 @' d% ^7 O8 s8 u# v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。
4 v! h( [& C" u. V* }后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
) x5 C2 N, l; A( Y2 E/ |/ P====
用千问吧，非常稳定，非常强大。
" b; G% B- G3 s; N6 Bhttps://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。


: O8 U0 I/ W: w0 l; Y

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
- l* h8 I& J8 m/ m这功能很赞呀

+ A& `6 y" J) f3 e! 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

- G6 H' E& V0 s9 J1 _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

3 ~* p1 H% t1 ^$ d7 B
" u) x8 K+ G! W" _) i以后让deepseek 读出土的竹简

. ~. C  ^7 [6 N还有把古文翻译成现代白话
3 L% K7 C! l$ b" p2 @! l; i. X) \
1 b4 Z" I4 T  Q. L% n5 U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？

  ?' }, u7 y; _& a6 H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？
- y( U3 Z% H# J7 H
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 ...

5 e8 s$ l- u; w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。
1 [  Q& ~1 j+ g: H4 _4 X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
7 i3 _* g2 ?+ _6 i9 [9 b9 V请教是如何实现的？

: o  d/ U( O+ w* s5 a' z" Q+ @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。
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。
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”。

https://github.com/oomol-lab/pdf-craft

  x9 N0 O/ c6 l1 [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
- Q9 I: ~7 G. u2 f; X; C3 q3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
; W0 u. g2 X3 p: H; u( W2 V3 P2 X
- ]" ?( X/ d+ E% P5 ^8 `

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   7 m9 D0 Q  I* l/ h, w
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   4 q$ k! V' i' d8 u) ]7 H2 q8 p
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   5 u& u" x  o, m$ W9 V9 `# D: N
6. )
   * g0 T! u4 B# V' O" M6 u: f! e
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   9 ~# l) T  u& V# o+ ^
9.     md.write(block)

复制代码

要修改的内容：
% N) m3 L5 i- ]1 f1 ]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
* Y- e7 {" K( I8 x( U+ z- U4.3 /path/to/pdf/file: 输入的源PDF路径文件名
% g  F% X1 o) C1 K; }. ^1 h. t
. z9 ~7 w# g) L% J2 C0 g5. 运行 python3 a.py

nanimarcus

* Y; e' \' T0 O; Q4 y
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。
6 k: ^$ N  s9 o6 l0 R8 j! F
8 z6 H6 Z. |+ t1 m, w- fdeepseek，qwen，chatgpt 三个，deepseek是最好的。

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。
7 L* p/ ?; f. ~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。
$ A5 r! X( J; @1 m我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
* V" F8 u: `) ?
! ]! |; W6 U$ o8 OAPI到目前为止，差强人意，不如网页版本修得干净。
8 n/ t' t1 m0 L# T, X/ o; _
deepseek可以同时开四个。

三力思

9 K! L; k3 i1 M
' U3 I* E$ x2 D8 T6 b8 o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
) ]+ q; K9 R1 @' H/ p' l2 m  C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 ...

' }! b3 ?$ `; D9 P2 C0 b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。

2 e/ ?$ D$ B* z5 i9 h5 ^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

0 `) p8 \0 P5 `
6 N% _5 {; \! @- v2 @& B9 t2 g已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
' E9 M/ o7 m! I6 s* a3 X
1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

1 d+ D3 I) i  y3 M3 p) `9 |得到text file
9 K# ~  v9 W  Q: w- ^/ y9 |
3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

9 H4 ^; c8 D: e% N参考：
' ?3 m8 @  V3 n3 c8 r' Xhttps://api-docs.deepseek.com/api/create-chat-completion

4，费用：
6 @# {% x' d* p. x; D
实测：
8 `  f, y9 A: e+ [+ _/ @
6 }& ]! H, O' o! d: I" s296K 字母，用了 9 美分。
, K- M/ b* F+ b3 B- U. g( Z
5 ]; ]- L' m% N( V0 s英文字母 到 token 用量大约 1/3
5 y" X2 Q+ R% ?) z2 z6 L
! N0 y2 C0 E8 n- W' g) qtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens
* j& r4 @3 [* b' s' |; ?
价钱，非常非常便宜了。

参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
" O! f7 r$ A7 r% @3 B% q; c1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
8 Q- o  [) z2 L" h. t$ d' O& |
可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
/ y* J6 }2 }9 {https://api-docs.deepseek.com/api/get-user-balance
# j9 w# ]1 G2 K8 G: H' [0 j6 H+ w
/ A- u) X% x' b8 L: u$ i6, Models

+ j3 \( {8 c0 t# d! V目前就两个
# deepseek-chat
2 ~2 B7 {; u3 P' f0 K) Q; a' E7 I# deepseek-reasoner
3 f- u8 g$ E. {$ ]# k2 f
9 \" R3 @$ X7 ?9 s8 q参考：
https://api-docs.deepseek.com/api/list-models
/ N5 T  O, c% R- `9 `. B4 u. k

2 f3 i% d4 U: W0 Z7, 问题
/ z8 C6 S* i/ e7 A
  Z* Y/ _& V. B2 J( f  ^+ D& c( Vdeepseek 会将前后两段合成一段。
6 ^4 k) u) d4 p0 ]" l+ c特别是那种大量的对话的段落，deepseek会给你合成一大段。
( u! I4 ?2 y1 h
3 G$ S# T0 G1 @0 y4 z8, 钱说了算。

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。
, g- [  G  @: Z6 z) i& l9 u# U但是API就不会出现这种情况，毕竟我们给钱了。
1 I+ I& ~- j0 m1 M( Z5 z2 V! cchatgpt也是这样的。
0 _2 ]* w" [6 w0 Z+ i  k
( k. Y5 z5 C( F% Q7 ?5 ]
0 g$ s3 |& s5 y; N8 j0 r