利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

9 _- S4 h2 ]0 @
) }0 c" u# F, e9 X把PDF上传，然后让他抓取文字，并修改可能的错误。
/ O/ q5 H$ F% k! r' E' r6 r然后deepseek完美的完成了任务。
+ \7 p8 f: r7 E段落清楚，列清楚，页眉页脚全部去掉。
: C+ |" N3 H/ x7 N! p) \5 i我要疯掉了！
6 A$ f5 \/ Y& I2 M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！
  n; F* E* D* R; b====
7 c1 b, `( T) f3 P中文也很完美。
经验值，每次十页比较稳定。
9 q9 Y+ d& `" |! u$ R4 m' S现在我这里API还不能用，等恢复了，全自动了。
====
第二次疯掉了！
4 h" \  t  b  C- b+ B: Q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。
====
  \  d) Z/ h! N6 }& P9 i& ^7 A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。
" _- }/ R& {" K; Z$ `0 O但是任务多了后，每次翻译的页面数是减少的。
4 L% z4 D" r! q5 D' h, a2 L好吧，我五体投地，继续探索。
; J. {. o1 l' j3 h  y$ z====
3 O3 H1 w% e- W; F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。

; J  d6 j& R# |# p1 ]/ j2 MSorry, that's beyond my current scope. Let’s talk about something else.
: X: l4 {8 X6 K' m" `" s====
4 o3 i& a) O7 g4 G3 I. u5 R& w然后我的英文命令也让deepseek 帮我修改，呵呵。
' H  I; ^: m8 `  X. 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。
  t6 P: d; V) u" W( K====
3 Q( n3 b2 t! }$ Q6 \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。
. P# r6 a/ q8 ghttps://chat.qwenlm.ai/
====
( r9 |4 {% ~, s3 x0 \Deepseek，API 看上去可用了，但是不给充钱。

/ d$ K0 c9 B* L% L" w' w! q

- Y/ u7 C7 ~# d$ }; K% g( v. W# O4 M

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
/ J9 V4 s1 G0 E" I这功能很赞呀

- |) q7 s: y; M/ T# g1 |2 x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

+ `, u. S3 x4 J5 z
以后让deepseek 读出土的竹简
0 w9 k! [% f: h5 \, C
* }1 b' f' C2 a& R; X3 S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？

. K) [% j# Z9 `" ^0 h8 X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？

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 ...

, ?% ]* j5 \' O, n% g2 w# m
% o3 m+ z+ @! G3 ]' L$ X. M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。
+ H2 F+ o4 m* z+ q

nanimarcus

方恨少 发表于 2025-2-3 01:23
6 A  P6 M6 {' q/ U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 ...

4 J: ~* p+ M* t- b- }; Bhttps://chat.qwenlm.ai/
( P  ]& J, i+ B4 l- R% \4 o! o( \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。
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$ q4 E2 e$ G- G/ t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。
# E3 d$ F, y) k3 f6 I$ D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”。
, N9 p, E+ S  i: {5 L  d
https://github.com/oomol-lab/pdf-craft

1. 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
4 M& e' E7 Z( H3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   # `* _# V- |9 F! P4 ^
3. extractor = PDFPageExtractor(
   3 s( `+ p. O" \9 W8 g6 [6 t
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
     q5 x& h/ L6 v# |
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   & l' e8 H+ G  P, k* \+ z6 V
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   3 @+ b3 n' Q# `
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   8 l8 Z+ O; k" ^2 v# I9 }( `! K
9.     md.write(block)

复制代码

6 o) q5 ]0 p: s" A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
, ]) M3 y4 D$ C) X4.2 markdown_path：输出的 markdown 路径文件名
/ F% P5 P+ d. r2 C# [4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

: O. M0 y  k) b' ?* O: @
. r' G' V" {4 y8 E" S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。

  Z9 N9 |! w2 a) Rdeepseek 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。

4 _# h6 p* ^! Ddeepseek可以同时开四个。
8 e: d) w* c- n# Y

三力思

7 k% [$ Y3 ?3 v! R3 P2 D
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
: Z" J  D# E2 d3 H. 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 ...

细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
: u& B) E2 H: g0 l) b$ E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

# h& w: U: P' z' z. ]" [2 T已经搞定.
2 g1 V/ S! Q/ ]; `+ y
4 n+ o+ H2 W1 c5 J# i0 z首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
) H+ W1 Q" A4 F# r* ^1 J
1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

/ {- B2 i7 I' A得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
. T5 ^2 L9 H% U  |. O( p
模型是 deepseek-chat

: f5 @6 O. O$ \max_tokens 最大是 8192，别的不用改。
9 x+ L) O+ _2 w: P& ]- W
& n4 j4 K; r2 n7 I7 Z/ b参考：
8 G9 m7 ^1 ~- U7 Fhttps://api-docs.deepseek.com/api/create-chat-completion
& B/ {* T* N4 g% J
2 V6 k- H7 G5 E& e% @, _: L4，费用：
  B/ v. _% l3 C8 b( X1 F
0 h  j! @3 n9 d0 ~  H" }2 t实测：
7 p# K7 W+ I1 w, O% O  z
+ i" r/ X0 k1 b( }# l; E296K 字母，用了 9 美分。

' o- M* C" L" j4 v# e6 z) l) `! R) g英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
' `- K0 w/ O9 W4 U  v- q0 B
, z6 G# ~& \0 H0 |. q32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

( ^9 h+ A4 u% f6 l$ A/ W参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
3 q8 L- `) h# R- s  [: S! c+ _9 ?
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
+ y' q7 S- j0 J2 D2 ^( ]' C1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
: U, s; C) n7 [$ I+ F
. E/ r5 H0 I0 N$ L5, Balance

6 {$ P3 A" a% B# `- y1 B. A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

% v& {8 @1 L) R/ h4 k6, Models
  C( p0 r/ t% H! ]4 f2 r- ^
0 P$ W5 G3 d; k0 A0 y" f目前就两个
$ S( m* y" W8 s, B+ e# deepseek-chat
# deepseek-reasoner
: f* d# {" {/ A% z( v- g  |* {/ h. L
参考：
https://api-docs.deepseek.com/api/list-models


7, 问题
! |  n0 }1 p! W$ g
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 `/ J& c* [# f: Z
& s  h$ L! `: Z) e3 T/ f8, 钱说了算。
, ~. Q$ q; [) ^( D
$ V! b; Q) X& O, Pdeepseek 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。
% ?# Q+ i. V& L4 z. \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。

3 @/ o% T, N$ \0 g7 }* {4 ?+ ~" `