利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

3 ?) B. D  M) i4 e$ Y# ~
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。
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。
7 ]! V# b3 e9 e6 H4 }7 t; J/ }经验值，每次十页比较稳定。
# e# K% d3 w0 T/ O! V& q2 |9 i现在我这里API还不能用，等恢复了，全自动了。
* g5 j- w2 r3 K/ _" ]====
第二次疯掉了！
& {: e$ ?' X0 K6 E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。
- s6 W7 P. e" r! m8 X8 T====
  @. u+ L! J, v9 \) 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。
: }% `1 ?0 V' Y% d  \1 N但是任务多了后，每次翻译的页面数是减少的。
: Q9 @* U, |9 m4 ]& x) e好吧，我五体投地，继续探索。
2 K" U5 j: g0 S====
, Y7 `/ D' g; e4 Z7 k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。
# _4 ~3 E0 J- J" K# z6 a====
好吧，有些东西是不给翻译的，哈哈。
, w4 _8 ?1 s6 V! X/ j& P
/ a8 F7 D: w9 X0 L# Q; P# }Sorry, that's beyond my current scope. Let’s talk about something else.
0 }4 E, w) p+ U5 C1 ?( |2 L5 a====
* O( ]+ U& x$ d; K然后我的英文命令也让deepseek 帮我修改，呵呵。
* Q" [( m, ~+ O  A====
0 X) W  l0 z8 y; E# n, @) \  W1 W7 i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。
# S* p0 X6 i5 U====
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。
+ W. k9 i2 G( ^====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
% J! T/ z# i# J  s+ LDeepseek，API 看上去可用了，但是不给充钱。

/ v. p8 G* [8 G' A8 S- W; s! D
4 f( c; G6 p; ]) m+ P
5 O  `8 G' F; n" `& k; _

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

) d4 c. \) o$ O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

" q) t: s) y; c以后让deepseek 读出土的竹简
# p' F, p8 Q( g5 Y2 e. b) i
还有把古文翻译成现代白话
# \4 h; o( b# P, V- u
' E: o# F# J% a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
请教是如何实现的？
, z5 x/ }; x: M! M1 `
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 ...

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。
* t. z5 d9 F4 q6 Q6 v* f文字之类的没问题。估计deepseek现在暂时只保证主要功能。
. d3 k  I( g# k! V! g5 U: a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 W: M3 H" f* @* y

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

/ o) \; u" r& [$ Z5 e" O$ 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 ...

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。
0 a( L% D# r9 t4 G" @# ]" }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。
% m3 F9 r2 [* D' N3 }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”。
7 j! Y  D3 J9 `" F8 Q7 p3 o' Z
% j1 U  s+ I  G9 |" P# y1 yhttps://github.com/oomol-lab/pdf-craft
8 m. k! A$ n, w" k) u& A4 W# v6 b
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
3. 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
   ) U, M8 Z& t, t7 N9 v
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   & R. H% W1 _& O2 c; Y2 N
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   2 {: q( j% N# n" ?& _/ ^
6. )
   # X* V* H8 C: B% M+ J" q
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

要修改的内容：
+ Q( O" f1 Y* B/ a+ M( z1 \8 |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
" V5 t& g: K+ G4.2 markdown_path：输出的 markdown 路径文件名
" N" C% K/ W/ T+ p3 B8 ?: x0 c4.3 /path/to/pdf/file: 输入的源PDF路径文件名
" `( {' m# u  {
0 t! r# k9 @- i: ^& y8 T5. 运行 python3 a.py

nanimarcus

0 d$ H6 i5 t: {
目前为止PDF转纯文字的最佳办法。
( r. d: _- ?9 ]0 ]& J+ E先写个小程序，把PDF按章节切成小的PDF。
: F& T/ \$ G# X. a然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
; d* L+ i# X) {& S) x; P4 m效果非常好。

( O. v4 p: m) U3 T8 i4 g- h: ?# Ydeepseek，qwen，chatgpt 三个，deepseek是最好的。
6 A2 J( \* }+ X9 l1 A& Q
" W& D) o! u: n" @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。
' ]6 L* q  a# m- o# }我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
4 f1 h8 m1 L' \, [
3 `+ j$ X, R% Z+ c; CAPI到目前为止，差强人意，不如网页版本修得干净。

, H2 N; X. r! w, r3 I* s7 Edeepseek可以同时开四个。

三力思

; {  u) Q$ Q# q& p! O6 `) r7 n
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
' D8 W) Q- F; R& A  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 ...

细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
' I7 J% r0 a% j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

; b- w1 h5 K+ r0 k, Q+ H已经搞定.

5 h! E4 V0 z  ~5 O0 i首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
+ _' [; S) A: f7 _
: i! K0 O. _9 }, S7 G1, python + pypdf 按章节拆分小的PDF
0 F5 n. ], q) P/ ]- H
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
  N# N& o4 d8 S  Q# `( O8 h
得到text file
( @# S' r, p5 ~2 k: T1 s1 V5 X
) Y! v9 v7 K" c* k, m1 E' I3, python 读取整个outputfile，丢给deepseek 矫正。

4 q) m0 [. o; P模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

% Y; }( P- i. c7 P) s* y5 J: {参考：
6 P. W( ^" }- D1 n' F5 t4 Fhttps://api-docs.deepseek.com/api/create-chat-completion
+ z; k; ?: p! E
7 i! R$ u: [' z% Z/ P4，费用：
8 l  b2 F( p  U% n. Z; H
实测：

296K 字母，用了 9 美分。
4 a1 z. ]( }6 ]" C* Z; r# K/ h
英文字母 到 token 用量大约 1/3
" A, Q3 h- u1 J" Q
: s1 o* m. {6 z2 R0 Z4 r7 _& Ltokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

7 ]" F/ r5 I/ H6 j/ r32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

6 ?/ t6 z3 p( a( S参考如下可以计算，懒得算了。
# Q3 h$ |/ y8 U! c% c% ?
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
0 O  f6 C' s. r2 c, w1 w1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
( U6 D8 T" }1 b. p) Q" b
8 ?' C- }( \! s3 Z3 ?# [! m/ I1 H. v可以在程序里调用，知道每次运行结束后，balance还剩多少。
9 h& D% o1 P- Q! ]4 F参考：
* p- G9 U- Q) S# }- J2 R5 Nhttps://api-docs.deepseek.com/api/get-user-balance
8 w5 ]5 _2 H9 D! Y' n
6, Models

目前就两个
# deepseek-chat
1 s. w4 Q# D/ J. V, x: h# deepseek-reasoner
" b; g) M# N8 s2 ~9 o! H( X# j
参考：
https://api-docs.deepseek.com/api/list-models
+ `+ }1 D& I2 j& N: q

7, 问题

! G. q# O' B) ?0 m3 ^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。

1 c7 I6 U! A7 _5 G, [: W8, 钱说了算。
9 Z' l6 g7 q; 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。
0 x, h% Y4 H8 H) Ychatgpt也是这样的。