利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

$ x7 R* C4 i8 O) W4 `$ X
6 W) J0 S( K) v+ i+ ^4 s5 v把PDF上传，然后让他抓取文字，并修改可能的错误。
' a) i' o4 X$ A' P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。
, F( n. R2 ~; u" t9 l& o1 F$ Z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！
% Y1 v  g7 W' \% `# X====
" v: z% L7 |' n( r) f; y. v7 \) N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。
4 f( w4 G2 z& ^7 a! \; `====
2 F" S( |( L7 ]第二次疯掉了！
3 z; s7 [3 e. S# z0 ^0 A( _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。
( i0 N' a! i, p* b, `# B====
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。
, G) C6 o1 q( J1 z0 }  _但是任务多了后，每次翻译的页面数是减少的。
$ Y+ B9 X0 D3 p8 p; y好吧，我五体投地，继续探索。
1 K; C5 S; V$ C9 u====
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。
- r! ~+ |! o+ x0 B' ~====
5 I2 G9 B9 V. Y& x1 j; O好吧，有些东西是不给翻译的，哈哈。

1 t8 P3 D" G- G+ |; D$ n/ A8 eSorry, that's beyond my current scope. Let’s talk about something else.
- u, d4 S; @4 H' U& y7 P4 }& q====
然后我的英文命令也让deepseek 帮我修改，呵呵。
8 |, o* u6 Y3 ?====
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。
4 L) _; Z0 N/ v0 A# o====
/ }" R) m: W% v# ?2 ^时间段的话，北京时间的下午和晚上用比较好。
) U- ^8 x2 L3 i& s/ k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/
( U5 i; g. @9 T* k  S; [7 s====
7 I  O( f8 z! D: T4 RDeepseek，API 看上去可用了，但是不给充钱。
1 d9 ^" Y+ Z* e# E# R5 e' k& t" y
% _. j0 g" f5 ~
8 p! o: r" ~2 d- L1 i& I

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
% ?7 @+ B* V' g1 x1 f3 r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
- F4 F3 k3 }7 I& O有没有上传整本书试试

4 I4 q$ c# T9 @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! e% n+ {6 i, e( A. _
以后让deepseek 读出土的竹简

7 \4 P9 f) L) l6 B7 b还有把古文翻译成现代白话
& Q( q2 S! |3 S0 q# V2 T1 n
  ^  M# C1 X4 b7 ?8 k* ~& c9 |+ {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？

1 v0 X. F! w$ N, p+ N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？
. n7 F# G- a+ v2 e4 a
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: h- |& [7 y# M  \3 T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。
$ N" m6 G- v3 ?! b. W8 h+ V: p+ R: N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。
" m6 \1 {) J7 o) ^$ B) o8 g

nanimarcus

方恨少 发表于 2025-2-3 01:23
" @$ q) [3 R& ~' `9 A9 K6 F请教是如何实现的？
1 g# O/ F9 J/ ~" k: m4 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/
2 y. {4 Q' ]0 n/ j% v8 {1 e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。
  g* l9 E" T4 h1 B9 d+ C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。
, d$ u6 G' G$ E- y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。
  X2 A; A8 O% m+ z+ _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”。
. s) f: J  g9 h& V( p; l
7 \9 C, }% @  I1 Y8 x1 f( ?& D5 xhttps://github.com/oomol-lab/pdf-craft

7 l( H' k, a7 K0 A/ f" E! d: [9 O1. 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
4. 把下面的内容写到一个文件里，例如 a.py
( s* W/ g+ x4 I; O! F* ~+ x3 D( e

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   + A1 b4 g! E5 n. x
2. 
   
3. extractor = PDFPageExtractor(
   ( Y! X. B& e, ^7 n% i
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   " j1 C! t$ V, ]' q2 l! _
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   . o  o" Z5 f5 N% E( P7 q; t' p
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   / V: u. j1 `5 d' X: |% a
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   ! v8 o0 H  ~2 U/ B& e
9.     md.write(block)

复制代码

1 Q2 |1 `# M- M- a* I9 m7 R
) T$ e+ Z3 M3 P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
5 I: e, b: l0 G' k4.2 markdown_path：输出的 markdown 路径文件名
: k3 |! b" G' z; x! H4.3 /path/to/pdf/file: 输入的源PDF路径文件名

: S- t# R, O$ U0 z+ P) k5. 运行 python3 a.py

nanimarcus

' c: M3 Y& Y  W2 M9 ?1 H
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。
) e* t8 x7 V5 l- _" N# d6 T然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
! y3 F1 y6 U- k8 _: ?效果非常好。
3 [! e6 K& q( p3 B, W
) @2 v9 p, Q, k: m5 {deepseek，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。
( D. [! X2 }: C
1 N* D, ~; M! AAPI到目前为止，差强人意，不如网页版本修得干净。
4 u6 z: M7 T8 `8 n  K
" C4 Q4 u! v8 v( v" Pdeepseek可以同时开四个。
" A% M% h$ R% Z3 A3 [9 {6 F/ B( L

三力思

" v0 B0 r" ~  ^6 \
2 u: F- r8 v7 \2 K( R8 L, ^* j' o: a  [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
  \6 a8 T  ~% j* l. 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 ...

7 D8 B) F( P$ c9 i6 G) ]细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
( i- o6 J7 u2 c细说一下，听上去很不错，多谢。

/ u/ u. k6 V0 D0 W% W0 v+ J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

7 [3 M' j# `) L, o4 I) e; K4 v已经搞定.
4 R/ s) v  A3 ?! e1 M
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
5 P+ c* V$ l) {: @; a' f
1, python + pypdf 按章节拆分小的PDF
" U8 e5 }9 I9 i. p8 h" d
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
% \/ P* X  Q4 R* h
得到text file
$ r) t4 d* Q* q: M. U1 L' T
3 F" k. ?9 A& y3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

6 N" z( S" {* X) n, r  s8 ~max_tokens 最大是 8192，别的不用改。

& r7 w; G2 M8 U9 P! j  z参考：
https://api-docs.deepseek.com/api/create-chat-completion
& J' _+ v1 v: M
4，费用：

实测：

* i% V9 o2 P  q' i6 e$ N296K 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
9 F& U+ `1 v" I. T, }
6 a: T( c2 G' ?, R- h32899 个字母花费 11782 tokens，包含输入输出的 tokens
4 b" a& }* R! s# j
价钱，非常非常便宜了。

参考如下可以计算，懒得算了。

+ B5 \% v! x: Dhttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
, k$ k1 d( O9 n( S1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
% G' N" o2 k( V( Z$ A' H6 a4 g1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
* `- m$ \  {, V4 ?/ v% F- h* c
6 P+ t2 k5 a9 Q8 U+ }+ C( k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
+ {4 L. o$ m. [6 e! y
2 y& p' k) s6 `$ s' g: m1 T; e6, Models

9 g+ a+ l* e+ q$ _/ F* J. N  Y; F目前就两个
$ y2 c1 t- Y' o+ a# deepseek-chat
! D" U! v9 X( b+ K, Z5 Z7 _/ T# deepseek-reasoner
+ F" B: p1 C' g2 w
参考：
https://api-docs.deepseek.com/api/list-models

" _; _# `- K# o5 R) i2 p5 @6 u) a( B/ d
7, 问题
4 V- m1 c; K& k4 u
3 F; O; K8 a% x' Pdeepseek 会将前后两段合成一段。
% Y2 R0 [5 T% B$ Q- }  k特别是那种大量的对话的段落，deepseek会给你合成一大段。

3 D  d" q) @* d, F8, 钱说了算。
+ @/ V, D0 s+ C: d
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。
但是API就不会出现这种情况，毕竟我们给钱了。
  e& w: s( S; z/ wchatgpt也是这样的。
0 @1 T( A5 u7 l4 c* w

) I& E5 m# B/ f0 n: N