利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

, ^9 _& P% ?* q* l: ~% r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。
# b# k* Y7 o* ?$ h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！
====
7 S8 E" _) _; A5 D) f3 K; k1 q6 s1 U中文也很完美。
经验值，每次十页比较稳定。
0 i: o5 U/ t& e; K现在我这里API还不能用，等恢复了，全自动了。
====
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。
====
% @: y6 j% _, n& x, |; F; x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。
2 c* x6 P4 O& ~+ s7 k好吧，我五体投地，继续探索。
4 `" w8 o0 U3 E====
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。
====
  g  t; B. m+ T4 G7 i1 a1 S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.
1 b6 F4 z( k1 O6 s! e====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
/ U' s1 k1 B0 ?$ _, w7 X" W& a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。
: e6 Q4 H; v; _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。
( L4 J6 @7 m8 ]+ n) R0 ^8 j9 {https://chat.qwenlm.ai/
# V& `$ P6 [" V. M( C7 c5 c====
3 L" B8 t  ]* I$ P3 d7 }Deepseek，API 看上去可用了，但是不给充钱。
5 {8 N! M) B2 M- o( t9 R


9 Z( U# \$ ?9 q  j

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
  \' t! ?2 ?! N" T* }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
) l2 p5 @  i" b) B; J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

8 B0 q- u8 E, s1 |( `. ^" `9 K: g以后让deepseek 读出土的竹简
# p8 h0 Z$ m# |( y& E) r! n) L
还有把古文翻译成现代白话

) P# w2 `; L4 l; I) n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？

; C; f7 g  D" m* h; Z1 p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？
; I8 [( U/ X: N1 C  K
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 ...

) x$ I5 w6 N* L: \  n, z/ 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。
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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
- E% v2 m; i+ N# T9 h- f请教是如何实现的？
* i% I* a6 x- l- p" E( i
4 x: E* [1 p1 L+ s& 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 ...

https://chat.qwenlm.ai/
% F. `; G( H, L0 s3 M" d. j& i( x试一下千问，估计美国人没有攻击他，所以资源敞开用。
; k& e- a; X$ X5 ]# T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。
( i/ p5 ^2 b# B, ~/ C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”。
& D  P& m4 z6 T+ r
https://github.com/oomol-lab/pdf-craft
/ C. B- ~4 R# ]1 m
1. 这个工具要求装 python3.10
; U9 X$ A1 k, H: j; T) y  i  ]2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
/ x( A' y) }# P; O3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
! p# o: F( ?( k6 y, V9 G
7 I# o$ b: b' g( W

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   # d6 P/ o, L5 r
2. 
   ' V1 W2 |; |) g' [$ L
3. extractor = PDFPageExtractor(
   # R3 g* e+ D' x5 I# r
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 o' w' Q5 v$ e: d
6. )
   3 X5 [' |( W$ K- K. |, k- O& Y
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   , M2 G7 ?% h) @
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   : f) e( y9 K) {$ u9 i) C5 f+ `7 F. x; l
9.     md.write(block)

复制代码

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
# I' ^/ T0 `  [- I1 Y5 K' u" Z4.2 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

目前为止PDF转纯文字的最佳办法。
  E: K* B0 X% s; P3 P) }" A4 \) Z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。
2 t; f0 |& S' `$ R& g效果非常好。
1 g0 G9 U" T$ x( {' T* g* n
deepseek，qwen，chatgpt 三个，deepseek是最好的。

% C3 R6 g/ u. \; o0 ydeepseek 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。

API到目前为止，差强人意，不如网页版本修得干净。

# Q1 ?, }2 m- vdeepseek可以同时开四个。

三力思

) ]6 N( g9 Q) _0 L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! u& D* t4 ~- U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 ...

% W! {- M! u9 F  R3 _* P$ C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。

% ^) g$ m5 ~1 _' \" G! a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

+ J) X5 D$ K$ }! j4 v) X
已经搞定.

2 q4 h' Y) P, a) T& k首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

1, python + pypdf 按章节拆分小的PDF
+ [1 B9 [# t% }. u% e: x& I- t: {
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
# A1 I. ~- e  U- Y1 ~+ ~# q
得到text file

, d' K- n3 ~4 z8 e3, python 读取整个outputfile，丢给deepseek 矫正。
( Q$ `# y% n, [9 Q$ k' P
! `, @4 N, \: i. h3 X模型是 deepseek-chat
" i! R# G( d/ [% O" Q( i  a" {
  l5 A; V, z  Wmax_tokens 最大是 8192，别的不用改。
- T$ o; W  S4 C+ c
参考：
https://api-docs.deepseek.com/api/create-chat-completion
# P' U0 n) ^8 f& G. w2 v1 I+ J
' s) X- k* E! s) M4，费用：

5 |2 |" H# r, q实测：
  E. U% u- \1 |  M
296K 字母，用了 9 美分。
! {6 J) h6 v+ R8 b
% ^$ R8 j" b# x( h. j9 e4 m英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

* C' i6 F% |+ @8 o* Y32899 个字母花费 11782 tokens，包含输入输出的 tokens

9 v, A7 n: @+ [5 F* K价钱，非常非常便宜了。
) O% U6 h- a% r: L" i7 s
* Y3 t. a& w6 P+ j0 K, P: I参考如下可以计算，懒得算了。

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

- L! s, W/ B/ U& T. ^1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
9 U! j! |; ?3 b6 n1 o
5, Balance
3 S8 n; z5 O7 `. m
可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
) ?  g) G6 w1 b: K& n, X" G( jhttps://api-docs.deepseek.com/api/get-user-balance

6, Models
3 }2 k0 S( `  f) v% U$ ?1 `# F
: r: \0 K1 R- `! |# w( ?! d( b目前就两个
. v4 a& Q( ~0 J8 J# deepseek-chat
: Y, w# G, q5 f% E" m4 Q- O# deepseek-reasoner
  {: h$ ~: F0 U3 @3 W0 [
参考：
https://api-docs.deepseek.com/api/list-models
$ R' K; v$ w4 H* @7 S
& \0 n- _# w( C; a8 h. a, P$ j
3 t. F$ D- ^' t9 h8 u% A+ [7, 问题

deepseek 会将前后两段合成一段。
  @7 l" V; D% G) @7 w8 I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。

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。
( O9 m) k5 J0 t; X+ M. t( R/ D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。
. v( P2 d1 n( c

  R5 O- @4 D: v4 R6 ^0 \6 ^