利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

把PDF上传，然后让他抓取文字，并修改可能的错误。
) W: \$ ?8 v& _& G然后deepseek完美的完成了任务。
( B$ `  V- U0 M) Z! k: J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！
====
中文也很完美。
6 @* `* _& Q' F; ]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。
, i9 V3 S( l0 D0 n& G7 s+ S====
& \  C# _+ h  \. W# s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。
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。
====
( G) s- H0 ^( E% e2 z6 G) z% i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.
2 o8 T0 m6 s$ [' W3 t6 J====
, ^/ h$ H# @  Y; x3 j  |然后我的英文命令也让deepseek 帮我修改，呵呵。
- e& d/ j- p) ?2 |  e& }5 m====
% p2 C7 w( x6 A, G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。
, }8 b9 |( D$ H2 O====
4 [; D) [9 A/ b6 ^9 t) z% t( c时间段的话，北京时间的下午和晚上用比较好。
: H2 v% P! D$ ^9 S+ @后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
, W. W5 M& A- ~/ s: ]====
用千问吧，非常稳定，非常强大。
- ?4 c) c; z4 y" x' \, ehttps://chat.qwenlm.ai/
( ~4 L/ z# @) v! }- [3 |% q====
3 v7 x+ ?9 ^' G* |7 t- GDeepseek，API 看上去可用了，但是不给充钱。

1 k- Q( h1 J8 ^$ W0 L0 V

) B% o0 T; U# E" E: [6 A3 ?% h( ^! Z

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

8 j1 J% Z7 m, }, `  z9 W( s6 Y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

9 A$ m! G- s) X' |! O! e  ~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

- k7 H2 R# h$ x. {, D
以后让deepseek 读出土的竹简

还有把古文翻译成现代白话

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？

. M9 F$ H1 a7 _" o( b/ m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？
" v; z" s: H9 ]; ]( ?
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 ...

% s$ ]1 f7 k. Y& e$ T9 c5 S
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 m' j- X0 x0 X9 R( |5 o) x文字之类的没问题。估计deepseek现在暂时只保证主要功能。
; V/ G4 D) E" I7 S' b/ {) \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。
9 v' ~/ g0 k# P0 u5 N) ^

nanimarcus

方恨少 发表于 2025-2-3 01:23
9 e( _7 E! G* E- |: Q8 S请教是如何实现的？

: w$ x6 n+ d# B2 R/ s2 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 ...

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。
很稳定，质量不错，好像最多一次处理15页。
+ j& A; ?$ C& ~  D% e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。
5 W6 H' I- B. h7 Q  {1 B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”。
3 g3 i1 M3 K% P
* e- c% |/ u. N9 S! a8 ehttps://github.com/oomol-lab/pdf-craft

+ j$ @" I4 I, Q5 }+ ]* A0 Q; v; k. B1. 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
2 U% F# B& D! |8 Y3. pip install pdf-craft
; t! O" U; j) X* a, m, _4. 把下面的内容写到一个文件里，例如 a.py
3 [/ U# c+ h( i2 {% g
. F  S; Y  Z  c& z& M2 l

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   " b$ Q% n4 ?# O/ ]5 G4 F3 c
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   + M7 n5 i; C5 |* D
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   ' I5 `8 |- W( M. Q4 I' T
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   8 \) w2 u0 ~! E
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

! d- F2 {% n( w  ~# ~- |+ l: f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
  h) j$ H1 ^. N3 ?8 }( I4.3 /path/to/pdf/file: 输入的源PDF路径文件名
& @* u  q& |8 j6 Q
8 k: _" |( B. d! B- Z6 _3 o! c5. 运行 python3 a.py

nanimarcus

, ?# R' {# j" N% \" a- I  H0 |
1 N3 L9 L+ E: \& p3 S目前为止PDF转纯文字的最佳办法。
8 R, A, ]% Y3 d6 y% h! Y- U* R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。
, P, K" J( D. a/ g
deepseek，qwen，chatgpt 三个，deepseek是最好的。
3 `8 A( t  u( b7 \' t
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。
: T' e6 @# j9 |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。
+ J* S* p% n) ~; ]' a, S/ q+ o
0 n' u5 y1 T- z$ @0 b. n) OAPI到目前为止，差强人意，不如网页版本修得干净。
. [: b" f/ G. f  k: n, B6 s
8 T% t6 x$ S: m, mdeepseek可以同时开四个。
" D, }& z# \0 M/ v5 }- j$ @, Z

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
) }& l0 l! p3 J$ d0 v6 m- b1 I. \% v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 ...

1 l% L8 n% B& ?( t5 J3 o; {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。

$ m1 ]2 C1 C. F2 s( a, N+ R, n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

) n  Q' {: v( c1 l: f+ v- t/ F; ~
已经搞定.
- d# |5 b* M% D2 B
" k8 j( b/ Z5 `/ n" h! |首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
  k7 y; S2 G. ~; A1 m. `( `
" C8 r' {; [& D) Y1, python + pypdf 按章节拆分小的PDF
7 ]  _1 F; `, g8 |$ y3 }& u$ [- l6 h
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
- i$ i+ K- H6 j7 |6 k' Y( Z: h
2 R- n4 r  d7 D# c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。
  E& z! ?8 b  O' I! y
参考：
https://api-docs.deepseek.com/api/create-chat-completion

; X/ S6 ]7 z0 F0 c4 W) Z& ^3 ]4，费用：
" @" n1 a% [5 E7 _! C
实测：

296K 字母，用了 9 美分。

& ]" o5 ]! \$ V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

价钱，非常非常便宜了。

$ f' A5 Z' D2 r参考如下可以计算，懒得算了。
; D9 }& E* |) B
& D4 Y" K9 ^1 h0 uhttps://api-docs.deepseek.com/quick_start/pricing

  e/ |, q  h) f3 @1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
+ Z8 N" I" d3 g6 ]1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
( J% V- O  l6 k' J0 Q( N! E3 g1M 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。
( `1 h3 f$ }' x) F; |6 d参考：
https://api-docs.deepseek.com/api/get-user-balance

6, Models

目前就两个
# deepseek-chat
# deepseek-reasoner
" x2 @  [' [4 x& {- X# r
: v' q& m: B  h参考：
https://api-docs.deepseek.com/api/list-models
9 ^; D, I; V+ i/ n5 [/ U

! \5 S) j- Y3 j7, 问题
$ v5 B7 L( V% n6 D7 y- C! D
3 |* F! p; e% N) w6 P4 ?! N  H( Bdeepseek 会将前后两段合成一段。
; I) h5 n8 P( v5 b& Q/ \" k3 k" e特别是那种大量的对话的段落，deepseek会给你合成一大段。

  ^, a  u& p8 j% A! V8, 钱说了算。

" v) G, C, p) O' y+ Udeepseek 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。
! U! m4 O% t- _! b+ z) 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。
5 K) |- B2 N3 c/ ~
0 J! i8 ?& B9 K, g4 ~