利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

& V+ n! o3 t, M% B  c把PDF上传，然后让他抓取文字，并修改可能的错误。
" K+ ~: V7 X3 W& @& Z! S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。
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。
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。
2 R8 {. G$ y/ h9 ~) N( g====
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。
====
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。
- s5 V4 ~& j( F" W- U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。
% P8 U9 G7 K5 L3 a====
  T) A* K" X7 b, m6 |! M+ C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。

Sorry, that's beyond my current scope. Let’s talk about something else.
====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
: D' F3 Z  b1 d3 k! K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。
====
+ i: w0 q. q! g时间段的话，北京时间的下午和晚上用比较好。
, [# x5 O- c8 n) M后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
$ Y" B& O  T) ^# c& Z& z2 Z====
! s  y" w1 b" N+ u. _% D) ?; ?5 h用千问吧，非常稳定，非常强大。
, J/ S7 c( Y1 n1 x  E1 c0 thttps://chat.qwenlm.ai/
====
: F0 C9 [3 O6 y- l  I9 p) C& IDeepseek，API 看上去可用了，但是不给充钱。


; ~- c+ m7 p+ V  q+ E

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

$ N  \! i, g( v3 J0 |' Q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
$ n2 q2 R# Y8 L# m8 u$ t) y' {有没有上传整本书试试

$ A$ [2 x  h( \0 w- |/ Y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

以后让deepseek 读出土的竹简
6 ~9 c8 n8 m) Z8 v6 o! Z
还有把古文翻译成现代白话

! e( s+ K: E8 p6 R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？
, }+ o* w- a- X2 b/ M% 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，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
: y; X7 {4 w# R$ M/ H2 [* J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 ...

1 }7 q, ?# {: H' E2 G; j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 ?& W! a" W$ Y% j0 C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。
2 b4 i+ e! l& c/ y' d1 ?. G- e

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
; @( g- p& C9 j5 I0 {& d
& H2 l! B9 H- }" v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 K0 P/ i& f$ v4 chttps://chat.qwenlm.ai/
* f0 J6 f) h; ^3 r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。
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。
3 j6 O4 M- \: l% `. w  D2 ]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”。

8 \9 i2 ?. Z+ R' Dhttps://github.com/oomol-lab/pdf-craft
! ^" {& p5 l" X. _
& j2 @4 e" M% c# R5 r1. 这个工具要求装 python3.10
' P- P2 h5 A, k! ^5 d2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
3 n4 b/ h1 o6 o3 T0 T+ U4. 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. 
     C8 [& t0 O' T1 q4 T
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   6 Q; Z- @' w# U% P% ^. ]( F
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   ! [7 T- O& U8 f6 Y9 _
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   % y0 v8 C3 q' W  \( r+ w
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

2 b! c; s# H0 ~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
4.3 /path/to/pdf/file: 输入的源PDF路径文件名
4 h7 ^' I" o: M& ]
" p! b9 a& Q' ?( B& w  c5. 运行 python3 a.py

nanimarcus

: D- B0 \8 X0 R6 z8 b2 p
目前为止PDF转纯文字的最佳办法。
3 e+ P, J0 G: w- u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。
1 Q" U4 D7 \/ i( R( J& }4 C效果非常好。

, j7 x4 ?) R& |6 \$ ?: edeepseek，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。
2 e9 V, w; d, w! s) P6 P- P, Z  U& g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。
# Q7 c' g  Z( m2 E' D/ n我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
8 a0 G7 h  ?, k+ F; F4 z
API到目前为止，差强人意，不如网页版本修得干净。
7 y" V  ]3 U, N* l3 c  L1 Q' ~: T: m
* @$ u/ B6 f" }0 I, d$ bdeepseek可以同时开四个。
6 O' q: M/ i, S! n0 N9 k; e

三力思

0 s1 m3 z  r. n" ^8 |# h3 n( n% m/ q
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
$ w% Y7 A; |$ Q8 L  x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 ...

3 E2 M+ F' L: V/ i4 Z/ A细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
- `$ ~5 t( f! H( e! q& {/ A+ I细说一下，听上去很不错，多谢。

3 L! |9 r+ _  m( |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

* ]8 y/ N. s. C7 m" h7 d
4 U+ J7 J* b9 y( \" d; `: U; F已经搞定.

4 i6 z$ r" j% v6 H( M* u. U# b首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

! D2 m" M" A0 V- y1 S5 Z1, python + pypdf 按章节拆分小的PDF

" b+ p( B) {* g6 r' `0 z# s4 ~2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
3 c: T- E. C% z% D
6 O' z. p3 V1 g! s* u7 ^2 E- {得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
9 l/ f! }$ B0 c! P2 a% N9 E; L
( C- H7 ~6 c" {3 `/ o/ L模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

参考：
+ r: H. k$ A8 \( ohttps://api-docs.deepseek.com/api/create-chat-completion
6 _6 \# ]5 b" U: ~
4，费用：

实测：
* g  i4 V$ b, p
296K 字母，用了 9 美分。
, |, y# H' Q& ?9 W! i* r
: S: c  z* H4 F7 f+ Y/ i6 m英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
& ?5 ]1 e4 B! i; ^
2 y; k6 ]$ W, [% J/ h8 w6 e32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

! z1 X5 m; o, i. t+ K+ t参考如下可以计算，懒得算了。
- \$ u1 I% W$ J) l" ]+ C" k3 {
8 V) d: K. @' _: r/ `- Ehttps://api-docs.deepseek.com/quick_start/pricing

! `+ F9 m  s3 X1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
, s5 j$ W& D- ]8 N: f3 N" e/ Q! U1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance

! Y, U" Q* f% K$ {  C+ c可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
" J3 I: e7 [' J! p4 O. M3 ^https://api-docs.deepseek.com/api/get-user-balance
2 }" M* [  A' M% d# Q8 _& h
6, Models

- m; W1 p+ r5 ~& M目前就两个
2 C+ ]8 r: V, X( N' o  E# deepseek-chat
# deepseek-reasoner
+ Y$ A! v) c' l% Y# I- R
参考：
https://api-docs.deepseek.com/api/list-models
; c/ U& m) e. J! B7 s( h; n

& [, ]; T/ W  b0 I5 i7, 问题

: u* {3 b  U+ Y( B# ~deepseek 会将前后两段合成一段。
9 I8 q* ~# F% b% S( S# }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。
& Z# h$ W* j( P$ b
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。
, W) e9 F* M0 q: O, v但是API就不会出现这种情况，毕竟我们给钱了。
$ t9 P  g' X  ]( G" ?  Fchatgpt也是这样的。