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。
, p' f. t; Z; i* Z3 c/ H5 h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！
====
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。
====
第二次疯掉了！
/ C% S9 E1 y3 v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。
====
1 @! R3 p% H( A1 y0 q+ E4 k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。
0 ~# v. s6 C2 o3 w! B" B& v但是任务多了后，每次翻译的页面数是减少的。
1 L. J  B) R: l好吧，我五体投地，继续探索。
' D; U- D2 I/ }& X9 Q) r====
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。
0 j: ~' G6 o  W2 E====
好吧，有些东西是不给翻译的，哈哈。
  a+ g/ j$ ]0 W5 K1 S2 W
( |, ~. ~( k  s8 s! M5 nSorry, 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。
& ^  z9 `/ @( }6 U! x====
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。
; A9 [. Z8 Z! I: P9 W1 \====
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。
====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
9 @' b/ C' C+ mDeepseek，API 看上去可用了，但是不给充钱。

, A5 D9 q0 e& B% i" }& c' c* @

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
0 K4 E6 f- T+ h  O" n4 |2 h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
+ M# _# {0 n5 y+ B/ v, q- b: G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

+ u( j) x; t' w/ \* y
3 A( u- X& R( u, T& l6 c6 L+ _& l以后让deepseek 读出土的竹简

还有把古文翻译成现代白话

; t/ E5 V1 F3 B8 |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？
  f5 |& f( U  J4 S) d
+ _' I3 b* Z5 o# C7 ], @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
2 m: P6 m3 N" n4 B+ t, i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 ...

: [& c3 v; N0 C- Y& 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。
3 R" R, f% u  T5 P8 [  j' A9 `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？
! C  a  n' N8 K+ t6 p& ?
- k: F- M+ W6 ?2 X/ t! Z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( `. h" d4 f; e; N- V$ S; n1 [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。
2 [& Q' E7 R) m' K; {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。
( v4 B  D3 ?2 z1 \. ^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”。
" Q3 F/ W# Z. O% f0 [) y; S8 X
+ n/ i+ K, t( Q) Chttps://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
0 e$ [* X( q3 Y3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
1 P1 ~8 B8 d! l
' i  v: E: }" R8 [+ _# P% G

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   + T( l! e) S7 L
2. 
   
3. extractor = PDFPageExtractor(
   : n* H% l- ]/ X# ^/ T. B& O# O( i
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   + F$ s$ d8 g6 ~+ \0 J3 _7 ?
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ( t. U/ O7 Y8 |4 f7 J" D9 m
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   . J; X2 V# `5 ~/ I: }
9.     md.write(block)

复制代码

- D; \5 C  r4 v0 B  W: g' t9 Z; ?
要修改的内容：
, L$ U/ v% k! D% I+ p6 W* v2 X4.1 /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
" K7 J( S- G& s9 B# |& d4.3 /path/to/pdf/file: 输入的源PDF路径文件名

( R. `- o! ~% b/ Y5 [& Y& {9 _1 d5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
& F/ H. r: W6 H2 O5 C1 g先写个小程序，把PDF按章节切成小的PDF。
0 |3 l, ?/ `( Y, Z% T& W然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。

% r" R& o6 Q8 l0 Jdeepseek 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。
$ N! K# ]4 f+ s我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
: @+ B$ `! V7 T% W  J# V# @
API到目前为止，差强人意，不如网页版本修得干净。

  ^2 X1 C0 ]- D9 l2 R; ldeepseek可以同时开四个。

三力思

# P+ p4 f4 e" H9 w" D
; i; R+ ^; Q3 x: q6 E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
1 n1 A  w1 W/ f5 u$ o3 X- t7 p  f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
% R7 j& {/ o( C细说一下，听上去很不错，多谢。

2 d5 ?$ `5 k& C% K, R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

* n3 B- f% N3 l) f# s% r已经搞定.

4 Q! a/ S% G2 K) N" {首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
" R7 O& j9 A* V  M0 p* l
/ _3 {( X- Q7 o) H1, python + pypdf 按章节拆分小的PDF
! X# D0 m- {# V1 V" z" [' x/ A
9 ]' [" p+ d) i6 k' h( P2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
+ `5 m: P4 m  y7 z; @# l9 \
4 D# F( L, o$ j9 d& W得到text file
2 }# M# H- x# s# B
! e& |, d( L8 [: C4 V  d3, 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。

参考：
6 P3 ^) v4 t" e' nhttps://api-docs.deepseek.com/api/create-chat-completion
/ O+ ^6 e1 |4 ^2 a
4 u" p9 a% k9 q4，费用：

- W1 m7 e* d( O$ D+ N实测：
+ D7 g' P! W) L' T* `0 w3 d
/ V5 P" G' q" L# }, z' G! h8 t296K 字母，用了 9 美分。
" W6 z9 u: w3 L; ]( t. O
! G" i# R+ \+ F. D9 r! R- ~' L$ v! F英文字母 到 token 用量大约 1/3
7 B: K1 ~6 b9 U" d1 p
* b8 L8 F' z- V3 G) U+ T7 Ktokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens
- ?9 }( N2 I& [, O% A
0 q" R! c8 r1 F4 @: A* @价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
% r: b# [# H; w8 C6 q9 c
https://api-docs.deepseek.com/quick_start/pricing

' a% E, m; z* h  ]( a1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
. k, R* t( H2 P* J7 |1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

6 k$ @# T+ C4 E# }+ D5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
0 m1 d9 _: c: Thttps://api-docs.deepseek.com/api/get-user-balance
8 G5 z9 K. t7 C$ f5 K! u8 R, Y7 \, P
1 G. E0 b# ^4 J. K+ b( o6 t6, Models

, Q. D8 D% g( w目前就两个
& \0 b; L9 a5 \' {# J, U6 J0 C' ]: _3 L' r# deepseek-chat
# deepseek-reasoner

$ `! Q" r1 T1 ^' q参考：
' j0 }! b  X7 y- O- zhttps://api-docs.deepseek.com/api/list-models
* b( a8 @9 i  F# ~
8 u0 n- [6 N( y4 V# e4 E
% _- `, x: O/ R7, 问题
% F" C, k  g/ d7 k. g
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。
3 A4 K- m% ~5 g6 H5 C
$ A* A4 v/ K3 f$ O8 J8, 钱说了算。
/ Z+ [, P  U4 j
2 F7 `! {. _$ F1 b2 [$ Jdeepseek 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。
: I4 F/ L- o6 H2 ?但是API就不会出现这种情况，毕竟我们给钱了。
/ N6 }9 g0 R" ochatgpt也是这样的。
0 v' Q1 r7 v) o/ ^8 H

5 g9 }9 s2 n. f8 A$ |