利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

2 A5 r5 S* h4 S3 j8 M6 w- E' ]把PDF上传，然后让他抓取文字，并修改可能的错误。
  f% E, y: D2 t; D/ Y. r# U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。
2 o4 ]9 h' Z( z- r, \5 S6 J9 c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！
====
- j1 P! u- g7 W' W中文也很完美。
2 d$ r( E, C( b经验值，每次十页比较稳定。
' t1 D: K  B$ z! Z6 c现在我这里API还不能用，等恢复了，全自动了。
====
4 U# d9 z( `7 E. V& z第二次疯掉了！
0 F# X! R$ F: M# P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。
5 a0 Z0 ]; C% O" L====
/ B& s1 f# w" \- l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。
. {! \9 j" V1 M3 e6 k" m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。
4 a% v& H; m5 G+ s* D/ n====
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。
====
: Q& P# D; y' w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.
====
然后我的英文命令也让deepseek 帮我修改，呵呵。
2 f% @  V( p) p( l- f3 ?====
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。
+ T) ]9 H5 q6 \+ a. ]  S====
$ ?& Q) i# @7 a& G: Q7 U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。
% C# L2 T  B& r* d: j====
: l0 B8 r% K" c. [) K0 i% O用千问吧，非常稳定，非常强大。
& w8 @& m/ S3 Z- G1 N; U" e% khttps://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。

' V' V+ K9 V; |% K- t

* \2 B; m. K" [, Q' q

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
有没有上传整本书试试

1 ]/ X' t* o0 |9 G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

" f5 }7 j1 `/ R/ m3 u* w8 K
4 g. e0 M( Z. p# S& ~以后让deepseek 读出土的竹简

; I( R8 {$ M% I# ?" k还有把古文翻译成现代白话
$ |7 J3 r4 R" P! j
. D0 W1 T$ b. J5 `7 [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
% L+ S& F" o" e+ d+ g" H请教是如何实现的？
$ H9 M0 \# F& O/ g6 \
0 v. C, P7 a7 `( q7 t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 ...

, g3 r0 t- ]1 k& j; 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。
1 m3 K# {& {. R! n, C; R& l+ Z文字之类的没问题。估计deepseek现在暂时只保证主要功能。
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。
2 ]" l6 |8 Z: a

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
/ J. V8 Z" c' @/ l
- N; V% p+ I8 h8 T* Y" A. O, U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。
1 d- R- a3 G( i! j很稳定，质量不错，好像最多一次处理15页。
+ G7 ?% h7 {- O1 y! ^% ^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。
- X5 q: }( p1 G- g/ m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。
# U) A5 s! @4 b. U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

1. 这个工具要求装 python3.10
/ w' B5 a2 R2 P6 J: p& ^* e2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

+ e$ |7 h0 Q# f3 z: f6 U4 O% |

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ) d" b' e9 e/ `" p/ |
2. 
   
3. extractor = PDFPageExtractor(
   . x7 L- ^) t3 [6 \7 @3 U/ m2 l" w8 S
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   " z7 ]) d" g4 x  S  Y
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:
   ! t: C' |2 g/ y" g2 N
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   : n/ i3 x5 g+ o* y
9.     md.write(block)

复制代码

% e/ F9 p' B  L. e' `
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

5. 运行 python3 a.py

nanimarcus

) @% F, p) E& \1 a, K5 z3 h
0 b# J7 Z! {! [$ Z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。

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

3 H1 l* d& ]& v  hdeepseek 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。
4 q+ X- [* Q) `" q- F4 ?4 z6 c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。
0 Q* O: C( n$ R4 f) G8 `& u我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
) S9 ~+ u+ E" _% U4 _
API到目前为止，差强人意，不如网页版本修得干净。
, F$ |  M, v% |- o8 X
deepseek可以同时开四个。

三力思

: n6 B2 F! v/ q2 q$ Y
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 ...

* j8 A; f) c4 R0 t6 {7 ^- 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。

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

5 k# M" W# {) x+ K; l$ j已经搞定.
- a) r/ g4 m# P% F3 ^1 K
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
- w+ B  K- _7 T  a) v) X) }0 y
. @# Z& j( D% `! Q0 Q* F8 `1, python + pypdf 按章节拆分小的PDF
" A5 F# {5 |9 M5 w( S
) E( `$ ?0 E; e6 j- x" \2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
$ K' C3 k( i6 w& j" j/ F+ }+ y
% b  g9 B% S9 Q! N+ m8 ~得到text file
8 W* Q$ [3 ?5 @! z% P5 n
3, python 读取整个outputfile，丢给deepseek 矫正。
" B, |, N  g! \0 b
7 U3 m( s0 O+ L模型是 deepseek-chat

1 k; M- ^) o' T% M4 Kmax_tokens 最大是 8192，别的不用改。
/ G. ^# @8 W/ U0 R3 P! ?- V/ J
参考：
+ D- N& E: G. b+ ohttps://api-docs.deepseek.com/api/create-chat-completion
' D% ~1 v% x$ i" o2 l1 u
4，费用：
: T6 p, g  t+ ^4 u
实测：
( i8 l+ L" B& |2 m8 D
296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

tokens: 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 C! e% @$ R8 A- t" G5 D4 f3 D价钱，非常非常便宜了。
4 \' b4 V7 Z( x4 E; B
参考如下可以计算，懒得算了。
  ^3 F1 V2 @6 q& x: ]
; b& }0 F* _' v" K; T: m% `: I% D/ [https://api-docs.deepseek.com/quick_start/pricing
; h0 n: N% s; |6 H! v
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
. M7 F6 M; |- z* x8 n# b1M TOKENS OUTPUT(5)                                              $1.10                $2.19
1 J) l/ @$ }2 j% O6 V
/ t0 c8 p5 Q/ H1 Y$ q5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
( B! i8 O8 [4 p, Q9 ]+ j参考：
https://api-docs.deepseek.com/api/get-user-balance

) X3 ?" R# f- V8 F3 }6, Models
; @! R, }- M% `* M
目前就两个
# deepseek-chat
6 B, j/ k& n4 j9 @- ~# deepseek-reasoner
* G5 c' h2 u3 H. N" b- {
参考：
8 M) ^+ M; H' o" Rhttps://api-docs.deepseek.com/api/list-models
" |6 b2 V# ]& v! O0 @4 ~

7, 问题
; T! U  I6 t3 Q2 n% y, m
# p; b; a0 A1 R. n9 S% xdeepseek 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。

, L0 n$ i) U4 x* [8, 钱说了算。

- g4 Z" ^% H% t" q$ w4 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。
! J, T3 X6 k: _4 m& d. P( X, ~5 ~# k) u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。
" P% [6 }) f, h3 y