利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

6 v( q5 J$ ?% ]+ [. e( 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。
段落清楚，列清楚，页眉页脚全部去掉。
: A/ y& c" f" N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！
====
( q- ]3 A, Z8 v7 f3 U8 d; J中文也很完美。
$ x) r) u+ O! C' {7 G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。
7 {0 p; e- H! d====
第二次疯掉了！
6 L/ c& z: j% j; L9 s& E, J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。
7 D! b  @6 f. z# o$ Q" e& ~4 _8 a9 u好吧，我五体投地，继续探索。
====
3 M$ h9 z+ S* R/ p+ n3 z3 i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。

) q( W; e6 n, K7 J' N. q# ?Sorry, that's beyond my current scope. Let’s talk about something else.
9 y# u- m' S. ^8 ?====
; U9 }* {2 }9 T* Z  z然后我的英文命令也让deepseek 帮我修改，呵呵。
====
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。
: P9 c% r! z& b4 Z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/
====
& ]) K4 v$ V! p  g, xDeepseek，API 看上去可用了，但是不给充钱。

/ i/ p5 u8 ^0 }# b% I

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

6 q& H2 {8 F- X% x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
: Z" W1 v' d8 @$ x- y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

: L, u3 D( h: D( a, m: o8 Q7 c
/ [. J6 e; h% }0 V8 W- x以后让deepseek 读出土的竹简

还有把古文翻译成现代白话
. F; A8 ?: p5 q6 C
, ^; W3 ]( ~# j. x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？
3 @) `! p3 z  W. T( P2 u6 o
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 ...

6 {, G- z3 v# p) x- Y1 R
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。
6 l! D2 P" w9 \* V文字之类的没问题。估计deepseek现在暂时只保证主要功能。
. N9 I# J& ^5 q0 `) D; f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。
7 Y8 E1 l% h* k  z

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 ...

7 p1 Z5 J) g3 [1 }! whttps://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。
9 Z$ N1 t4 j2 ~7 T- n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。
1 E! `/ W: V& A' W6 ]% d$ o( T* P: S  q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”。
: m5 K7 u) E5 k" \7 \3 C$ D* Z4 p
: v0 y" J) S: [: P% {https://github.com/oomol-lab/pdf-craft
9 D8 V* o! ?9 N( m! f
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
3. pip install pdf-craft
7 q% e; `# w! f9 M$ ]0 R! _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
   
2. 
   
3. extractor = PDFPageExtractor(
   8 c, x; S) f" k4 X& c$ |" b
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ' n- g8 `9 N9 r7 d* M
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ( [) o3 m' w/ I
6. )
   3 l" x/ Y# I9 ~. i/ m7 E! v  W
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   + K' `; a3 Z- e8 \- q
9.     md.write(block)

复制代码

" S) u2 A3 `  K& H6 ?5 T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
4.2 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
, L. U7 w/ Q' F. A/ D3 d
5. 运行 python3 a.py

nanimarcus

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。
% W3 L0 @3 e0 n: _然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
2 g! d' S- I' q. A, w+ S7 m
0 Y( z8 C/ T4 z5 b; ~1 j$ Odeepseek，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。
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。
1 t2 U7 C/ v/ e4 o, H
4 q- T" Z. z4 S$ E0 [. mAPI到目前为止，差强人意，不如网页版本修得干净。

deepseek可以同时开四个。

三力思

5 b3 ^  G/ c* s! G/ 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
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 ...

: q' o+ n! V5 H6 N& l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。

- l* a" V# q2 e5 Z& Q9 `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

" b3 e& ^- }5 A, T' j8 F
已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
+ P9 `, j  h& R- |  l% m; c
1, python + pypdf 按章节拆分小的PDF

6 V' I; a$ Z7 u2 {+ |* R7 B2, 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。

模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

参考：
) w6 I% s/ U" d$ Y' whttps://api-docs.deepseek.com/api/create-chat-completion

4，费用：
7 Y- r# F* n# Y& {9 B
' \& E3 N8 f7 c实测：

4 B  t* g! Q9 h3 X! P8 ]296K 字母，用了 9 美分。
# ], k# b. O8 U3 i
英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
4 ~0 h( `0 m6 I" B& f
+ M$ p7 p$ M1 R. P2 Q32899 个字母花费 11782 tokens，包含输入输出的 tokens
, l2 F& D3 U7 s3 ~, i) l5 p0 U: M
: C1 X% Q, a- k1 H; X* V价钱，非常非常便宜了。
/ J. A; C+ ]6 Z9 \$ m2 R3 y, @9 D4 E4 i
参考如下可以计算，懒得算了。
2 v  I7 _; x' C
' U- U- r5 p) n$ _https://api-docs.deepseek.com/quick_start/pricing

* K5 K4 I+ O( {* n/ D; ^/ o1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
0 R& b% q' k1 C+ t* B1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
6 G9 t; r) T  m. [7 Q3 W1M TOKENS OUTPUT(5)                                              $1.10                $2.19

, [$ {( @& `5 @  e5, Balance

1 W7 r, Z! N- M/ I5 [0 {可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
https://api-docs.deepseek.com/api/get-user-balance
1 B, X3 t2 W; B1 F! \# S. x
6, Models

0 x( P6 h5 c, e目前就两个
# deepseek-chat
) _, l+ b  t8 O# deepseek-reasoner
( c  v7 c5 ?% T; {! L2 Y8 i
& ^- g. y8 ]8 M' R6 h参考：
https://api-docs.deepseek.com/api/list-models
) \' u) \& q5 t# n

5 I* Z  u4 |. v7, 问题
* H- [% F0 s# {& L+ r0 X
deepseek 会将前后两段合成一段。
" z: z+ u  G/ R7 I) y/ B! m, S特别是那种大量的对话的段落，deepseek会给你合成一大段。

8, 钱说了算。

& T; \: U, f; `5 p, Gdeepseek 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。
4 D; T" d5 d: u/ u& l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。
6 }3 J, x0 J5 r* F. c
2 i5 x  E' q% C. _6 j/ t
% _, V: U0 X$ R, H