利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

4 v0 d3 N4 O* W2 }
; f) {; Y8 U: W: A- O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。
0 Z. O: L7 E+ _9 A, W! V- ^. @段落清楚，列清楚，页眉页脚全部去掉。
) q8 b/ _8 P" ^8 v- k) l' [, h# J( w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！
====
: v0 w% {& y; z6 Z# N7 a! K中文也很完美。
8 y! u3 V% k( N( h经验值，每次十页比较稳定。
8 v" p& o! i4 Q5 @: e8 X1 y/ F现在我这里API还不能用，等恢复了，全自动了。
' h! p# N4 _# e1 z9 _. D! ~0 t====
- ^7 d$ N! h5 A1 ]3 S6 i2 S$ A第二次疯掉了！
) f, W+ ?% \1 T* o! d7 W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。
但是任务多了后，每次翻译的页面数是减少的。
+ k( D, @" X. j1 w. h好吧，我五体投地，继续探索。
( G) y  Z0 Y, y2 K0 C8 R3 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。
8 D$ F2 n* _5 Z/ o====
' e- h* Z* Z& g% c1 |2 \好吧，有些东西是不给翻译的，哈哈。
, F. `: ]5 d. \# P# c; x/ b" Z- F' B
Sorry, that's beyond my current scope. Let’s talk about something else.
8 R3 ]4 T, e5 d" `====
4 V8 ~' K; d/ q% E% F8 g, A然后我的英文命令也让deepseek 帮我修改，呵呵。
% t% n5 T" T) U5 z====
9 e; p( Z2 N; G4 n3 }( Y: `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。
====
时间段的话，北京时间的下午和晚上用比较好。
$ J* c9 ?1 r% w5 v后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
$ [& v4 O3 F" s  V6 e. d====
5 e7 j/ j: g1 p8 f( X) ]$ Z用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
! a2 n, y2 @% e% W/ k+ N* h, v( z' O这功能很赞呀

# k/ [, i5 _* `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

1 L- M. T) _9 v# I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

' ]( ^- `4 ?7 c( g+ I
. h1 b* O5 v) r4 h" L以后让deepseek 读出土的竹简
0 c3 \+ n; F5 S+ s) I9 a
$ @( w  @! F; }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？
- |6 V2 g7 K' W. m' t8 ?% \- {
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
) W) y$ J& A( T. i% R请教是如何实现的？

8 H/ D4 h0 {1 W0 S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 ...

/ F4 i' B+ i# r2 t1 Z0 b
+ w' e+ n( ~- 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。
  V( p4 w! K1 N% B0 J文字之类的没问题。估计deepseek现在暂时只保证主要功能。
5 Y  T0 x  U3 g( d' o7 f, R* Y1 @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 C/ y  X- @3 G( I, w2 V

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

+ J% ?) b  y( 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/
" G  ?! k% f% T; x试一下千问，估计美国人没有攻击他，所以资源敞开用。
! C6 y1 G* `& c* Y9 Q很稳定，质量不错，好像最多一次处理15页。
; w# z2 m! @) }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。
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”。
  f8 J7 [$ a1 e& b2 o6 ~' @7 I% {
https://github.com/oomol-lab/pdf-craft

9 M( I* p; m6 |- p1. 这个工具要求装 python3.10
: {8 @' ~; I" \4 ], y& O2. 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

+ g: a0 Q% v6 l9 R" r$ U

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   6 q% P1 n' }& C1 ?" t) z, b
3. extractor = PDFPageExtractor(
   
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
   
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   5 Q. [) i- q2 I( O* \
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

! N" Q8 W/ o& p3 A) d要修改的内容：
/ A8 |! t+ |/ V+ Z2 c* ]; C) |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
5 t: f7 j; l' \/ O3 ~$ V, U; H4.2 markdown_path：输出的 markdown 路径文件名
/ u0 h. z) p8 z* d; y4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

/ I: M% f" I9 t0 G) @' z/ ]  I
% ]" ^" Q* @' }- C) r: G% k目前为止PDF转纯文字的最佳办法。
; T: W9 W  y6 k4 m# {  l& W/ @先写个小程序，把PDF按章节切成小的PDF。
3 l$ e9 _& u6 N. K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。

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。
2 I: ]" [2 G1 P+ {我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
/ ~/ r2 m% o6 T4 c# n2 p5 Q
API到目前为止，差强人意，不如网页版本修得干净。

2 ^" p1 [# T1 x4 `0 Q" Cdeepseek可以同时开四个。
' L9 Z, N5 d. n$ }3 d9 b

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
+ _8 {/ Q, z  H3 `  T# m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 ...

( i9 @8 s: T9 N0 r细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
0 n, h" l' ?4 j* c. M5 {细说一下，听上去很不错，多谢。

4 y5 ^  X, x) r+ ^6 E9 l" |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

已经搞定.
) V+ F. {# E  O& C+ x2 ?
; {9 z6 B' p; _$ r; v) |首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
* e, X$ Q6 H3 o
1, python + pypdf 按章节拆分小的PDF

. J' b/ r/ ]; V2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

7 {# d/ T; a0 g( f& w' W3 l# y0 e得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
6 m, S% K( I# t
% \& a) w1 o4 R2 q9 v: Z模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

2 D- Q. ~3 Z% }" O8 T参考：
8 ~- N/ c3 e" `7 K5 vhttps://api-docs.deepseek.com/api/create-chat-completion
/ K' N0 d$ u% L3 Z
% |( y- y2 b+ r7 j! D' e4，费用：

实测：

296K 字母，用了 9 美分。
$ ^" y2 S- r0 Q) U2 C
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
6 T' i7 g* o; f; D
价钱，非常非常便宜了。
6 q4 ^: X+ g& V
参考如下可以计算，懒得算了。
  Z& j! l# e. N3 l
: m& g7 U- a! D; x! @6 F) P8 L' g/ Ahttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
7 `& m+ m- R" _, X) n  Y. @1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
5 K) F0 S7 u" h0 A/ _; \. g1M TOKENS OUTPUT(5)                                              $1.10                $2.19
5 y  `1 w; q) p1 E  b. M  a
; y5 [" i2 [& o' H$ |3 D( e5, Balance
5 h2 T: o. j2 C6 Z  T# z/ [2 ]+ h3 L9 P8 m
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

6, Models
* }0 k  d* Q/ z. I' B$ A
5 [5 B# ?7 E/ w0 D" _* k7 G目前就两个
# deepseek-chat
# deepseek-reasoner
$ K7 Q% q1 F+ }
参考：
https://api-docs.deepseek.com/api/list-models
5 M3 ]; t. ?8 f8 y& ~0 `# {
+ B) a) W) ~" x" [0 s) O% b# G  g* m
7, 问题
+ ?' C8 x& U4 t
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。

$ m2 n0 d  K' [; q. c4 \8, 钱说了算。

* n. M6 N5 F- Mdeepseek 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。
! @% f& P2 |; \/ n) @chatgpt也是这样的。

  a) p6 R  p) Y7 r- f4 y5 [