利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

/ w& t. P, }* X- W$ B8 W7 p
; H" J* R/ @: u3 w: g& T把PDF上传，然后让他抓取文字，并修改可能的错误。
1 }) M4 Q4 ]$ D: `8 O" q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。
% z" u) `% K3 {我要疯掉了！
% |, e' o) g6 f/ ~3 k2 D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！
====
" U+ J- y% \( T3 q7 @+ W! ^( T0 s4 L+ N中文也很完美。
经验值，每次十页比较稳定。
1 z$ Z5 Z' }4 d. M1 \现在我这里API还不能用，等恢复了，全自动了。
====
) l* R* z& [4 R2 E& E7 m9 N第二次疯掉了！
- l+ C/ Q2 u" H  v2 R  S. S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。
5 D2 h+ g2 D6 j3 W- G. ?====
" v$ b2 `1 y8 o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。
1 ?) o  j% Z2 _, P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。
====
$ E% r, D* o; S3 k好吧，有些东西是不给翻译的，哈哈。
3 a& |/ l/ C/ B9 J4 t
* O2 z: l$ J" v" c3 s) c% KSorry, that's beyond my current scope. Let’s talk about something else.
====
" q9 r+ o  Z4 A, v然后我的英文命令也让deepseek 帮我修改，呵呵。
( g& W7 O2 q- N/ D0 }. b/ C" ]9 ?====
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。
====
+ L0 g1 n$ m( H  S时间段的话，北京时间的下午和晚上用比较好。
; J$ S- ?' L& {% Q' B后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
- m; [! O+ l& g- B3 Y; J% s用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
! L6 o& m: R7 I# Q) P====
Deepseek，API 看上去可用了，但是不给充钱。
  N1 x6 Y3 l1 ?7 Q) s6 L- e
! d& `2 d! n* N8 ?# D& Z
: V- G2 \7 M& Z4 r

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
3 W" \5 C: x! u3 J$ ?  e这功能很赞呀

& ?+ j- t+ f4 e$ ^! J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
! ?$ w% P' a6 e) V3 f: B有没有上传整本书试试

0 ]3 Q' O7 }# I) x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

# ?* o) I# P- b/ Y6 @5 X
! ~* _# R# U( o* R2 b, v; X以后让deepseek 读出土的竹简
7 i- Z) p, t: o) m: C  ?; G- X1 |6 ~
还有把古文翻译成现代白话
2 S* j7 r/ X) t- E! [. @0 N
# H7 ?5 X+ }4 L/ S* C: I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？
3 T7 |* w' Y9 R8 D- ~+ X8 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，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？

1 }, d; O+ F; O: P7 T& E: V  x6 b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 ...

* e1 _$ z+ L) Q6 c( [7 h0 ?) c( d' _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。
5 M+ K2 j2 s. B6 Z3 _# C8 ^文字之类的没问题。估计deepseek现在暂时只保证主要功能。
8 y" E' Z: V: o% r; u6 j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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
0 B, {$ X% r9 N$ I* \0 [/ u4 a请教是如何实现的？
& u0 b$ {1 E! d: M% _( j' H
3 ^# M6 ?! q: i* q3 ]" d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。
8 T3 C. L- w4 `6 ~很稳定，质量不错，好像最多一次处理15页。
* Y7 D! {. m, y; ~% P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。
3 r% b8 c1 c/ t+ G& U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。
* S$ n+ ~" o* S% y, y$ A& 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”。

; K. ]  ?0 Q, Q! Y$ O1 R8 a% rhttps://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
3. pip install pdf-craft
9 F3 ^2 z" f  L, |8 g. w4. 把下面的内容写到一个文件里，例如 a.py
9 `8 D6 B2 {: ~; w( V' X
, g% t+ ?1 O6 I2 R

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   % k1 D0 ]! S% a) |6 c! E2 ?( [
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   & q/ x$ P% i+ A+ ?. {
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   , f  s" U  i1 n! \
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   4 f. A; e- x6 `7 W% v9 {- k
9.     md.write(block)

复制代码

要修改的内容：
; M" b" e; ]! b4.1 /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
" w$ v7 u' W; ~: b% k: H
+ g3 Y/ ]) C& p. e+ T5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
2 P/ T. K9 v/ l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。
& f5 M6 H( \! h, `2 F) e! ^
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。
, G+ e7 S2 N: M7 A1 a* `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。

( S0 g, o  u0 }2 T6 G4 A% }API到目前为止，差强人意，不如网页版本修得干净。
% G0 R3 p( z* A6 I
/ i' _* g6 u1 q/ Adeepseek可以同时开四个。
! }2 ~3 Z, Q) z* h* A" E( ~

三力思

: e' M- X- \% Q+ n4 l% F: E6 c) y
  E( t( N& @' l! ?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
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 ]) G4 v" ]细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
  C2 `9 R$ w# G# l; ?% 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

4 N4 G; g& O/ C4 h1 V
已经搞定.

6 u" H  v" m; h8 q首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
7 b* U5 n" l0 `1 k8 v
1, python + pypdf 按章节拆分小的PDF
7 F- [2 _8 C0 p* b2 ^  P1 [
& R% Y; q  H- t7 i0 \* o4 @+ W2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

7 b) a+ c+ u$ T2 p( D得到text file
+ X3 B  T$ G! [# u+ Q( U% Z% R
3, python 读取整个outputfile，丢给deepseek 矫正。
+ P9 b$ H5 m# B
8 T' N% Z8 Y( |8 k模型是 deepseek-chat

8 ?1 T* U& ]  q8 I! H, t8 b* K( |max_tokens 最大是 8192，别的不用改。

参考：
: M8 J! f! Z' ?* z/ M! f3 B- ohttps://api-docs.deepseek.com/api/create-chat-completion
5 V: y3 t- L' x, V' `
: `$ n/ x$ E' j' l8 }4，费用：
9 |+ H* @( X% f
实测：
" w2 M# k+ f9 J# r) Q
4 c, l6 g6 Y* ~( ~0 {296K 字母，用了 9 美分。
4 A) r0 o/ F/ i* Q
英文字母 到 token 用量大约 1/3

' ?  Z; U+ g3 |# q! O6 w/ S; O, Xtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
: \$ j) s, f8 q( {9 }9 ~: U# Y$ D8 Z
32899 个字母花费 11782 tokens，包含输入输出的 tokens
2 ?- [4 z5 l' H  c# Y
价钱，非常非常便宜了。
: a7 @$ j1 L+ R7 R6 v
参考如下可以计算，懒得算了。

! x7 d5 p. R# d9 w" y+ D! ]https://api-docs.deepseek.com/quick_start/pricing

0 t/ C$ M* x# b7 R- f1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
+ t+ j- h, @0 [$ v& w4 O5 o1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
6 D. S* p7 Z! f& |! V( j1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5 i8 N) H( X  x+ K5 z8 J- ]5, Balance
  Q; M/ m" [. r1 I! b2 q
+ ?9 u: u4 T5 t3 P5 X. K$ t0 ^可以在程序里调用，知道每次运行结束后，balance还剩多少。
2 c1 g4 I$ g- Q3 y/ A9 [参考：
2 z  S# I5 K% W+ }; t/ [" Yhttps://api-docs.deepseek.com/api/get-user-balance

$ u# h# U. A6 l& w  d5 k* V; A6, Models

目前就两个
/ `1 ^- G9 d! {; O( F9 J* M# deepseek-chat
! G( N8 ^3 V- L) G# deepseek-reasoner

8 ~) Q/ `$ y& Y  t参考：
https://api-docs.deepseek.com/api/list-models

$ {3 O' P( `4 c6 }: i
, {3 v" ^5 X& }7, 问题
2 S3 Y# v: N/ v0 u) e: r5 M$ p
6 i# k* G5 r" @" w, H- {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。

8, 钱说了算。
! K& d+ J% X8 K/ {& @0 O# K% S$ N! u6 Z
/ F5 T& B! t* [, l4 m, F. Odeepseek 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。
, u0 H6 Y1 u; T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。

8 Z9 t6 K. v# }: u% {
& A0 b3 a( P* K