利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

7 t$ E! P) q4 A% z: K" Y, q4 p4 e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。
& l6 y" Z$ z/ Z; D' Y( I我要疯掉了！
7 N, X+ I+ h5 g( _. J; M$ o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！
, \; M- ]& b3 o# a5 ^====
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！
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。
8 q) c5 P5 y) D9 Y! w6 ?====
% y- o, c: A; [: V" }7 e  I2 g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。
4 k6 G0 ]7 V% a" x3 C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。
====
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。
$ U7 ]- l" q% I" w  C
" _. G) }" F, X8 o6 T/ l) MSorry, that's beyond my current scope. Let’s talk about something else.
& B( M8 d( B8 [7 c0 _. M5 ~& R====
然后我的英文命令也让deepseek 帮我修改，呵呵。
/ P  ~% r9 c5 q" J1 @: |====
* x/ Y3 F/ R: A" d/ K/ 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。
====
& o  A( @; s' f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。
  S. N0 u$ W" |! x6 N" p4 {https://chat.qwenlm.ai/
; W' T4 j! m1 R+ U6 l====
Deepseek，API 看上去可用了，但是不给充钱。

7 n. W  M. E9 ^- y

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

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

  s8 {' R, \9 B8 X6 y( \
以后让deepseek 读出土的竹简
+ Q8 b1 ~: y2 X
还有把古文翻译成现代白话
/ B/ W# @9 }' V' r6 o* S; g: c' C4 i
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
! C& _( z' c* ~& G  Q请教是如何实现的？
2 y& b8 N1 I  K- B4 g
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 ...

! [/ H- X0 E3 E4 H: p9 I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。
& L' U2 D* h" m$ r4 K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。
: E" R) ?, V* F, p. ]

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 ...

3 p+ i! a1 k" J4 b; K; s' Uhttps://chat.qwenlm.ai/
3 X! W9 \, U8 }/ |5 C0 w7 r* S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。
: [" l" D$ Y+ G* j$ o9 s/ V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。
3 ?2 o3 X3 Z9 `5 g, l" ?( Q9 ~; V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”。

  I" B7 T. i! e7 m8 x4 Uhttps://github.com/oomol-lab/pdf-craft
6 z# I+ y8 v& k8 \& @
2 t% X% m1 y" M9 U8 f# g+ g) x1. 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
, Y. ~: h9 r4 r& I1 x9 [8 ]3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
0 n( s- }. C# W1 p2 j$ i7 k
. U+ S/ w/ v% i1 R! Q

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   $ t, J8 x1 H/ Y
3. extractor = PDFPageExtractor(
   ' ~" E9 d+ R- q' P
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
   $ ^- t) b' `9 T, O
6. )
     {7 r. z7 X, ?8 s; K9 n8 p
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   4 S: ?$ c% d. E
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

) u4 ?$ X6 M/ n+ i! s2 }要修改的内容：
, `  V' h$ x& l/ s6 U" E4.1 /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

0 j0 t& U, l9 ]8 `7 u5 s
& j+ h+ d; O7 X3 u6 B9 ?4 ?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。
' U# }# ^+ P/ n* Y
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。

API到目前为止，差强人意，不如网页版本修得干净。

! Z+ `$ z" H2 y6 X5 w9 Ldeepseek可以同时开四个。

三力思

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 ...

5 x8 g0 _7 e, V+ Y细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
) K5 ?/ c6 N- z5 S4 _细说一下，听上去很不错，多谢。

( Z, F5 ?* c( g. V# a  t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

6 N! C4 w  Y5 _$ m6 ^
& g# M* m% G  q! s已经搞定.
8 h! P% J: ~' o# t& U. ?# h; p, n
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
  C8 V3 S& ~  V  |$ ], q/ t
1, python + pypdf 按章节拆分小的PDF

" z, Y& d4 m# e4 H9 a" |; L0 p5 N$ w2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

3 u* O* {( b& V* z4 P3, python 读取整个outputfile，丢给deepseek 矫正。
0 ^' n" _- b8 b: L; Q
. Z/ E* p; S( u, a) Q3 h( ^模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
  R" ~3 c3 l, x6 p
参考：
https://api-docs.deepseek.com/api/create-chat-completion

1 ?) y2 z# k9 x/ _2 b7 d: b4，费用：
: F5 O' l& J3 L1 l3 \
实测：
1 o% n2 |3 o( Q4 r5 T5 e5 Z7 g: D
: [- z9 V7 g4 n5 s/ d  G296K 字母，用了 9 美分。
' Y7 n3 u& o+ N8 z
英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
; w6 m6 V, l# d$ \
5 E6 R! v$ D0 ^* S3 y32899 个字母花费 11782 tokens，包含输入输出的 tokens
, r9 i# n7 p/ l9 r& M
价钱，非常非常便宜了。
2 S' Q: o1 A0 Y9 i+ W
参考如下可以计算，懒得算了。
( k  }1 x  Q2 ^. k- n
https://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
* \$ M7 `) @# j6 |2 C. I7 e1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
# M; m/ ^% a6 D! Y! z  S参考：
https://api-docs.deepseek.com/api/get-user-balance

6, Models
3 `$ w) i, h& J6 R6 ^: y5 F
) e: W6 F# K8 ^. {! \. w: t目前就两个
; ], k- S: E/ X$ r: [: D0 u$ r# deepseek-chat
# deepseek-reasoner
9 P& Y/ f) a* L3 b  H% Z
参考：
https://api-docs.deepseek.com/api/list-models


4 A/ {* \0 j4 d1 m+ G! b7, 问题

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。

9 @+ g. }& Q% t7 Z+ S% m/ x8, 钱说了算。

2 [2 D3 k" C% R' ?2 Sdeepseek 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。
chatgpt也是这样的。
  S0 f. D& {' n3 |