利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

  L: [; u2 o0 T7 l5 _) D& X把PDF上传，然后让他抓取文字，并修改可能的错误。
) o& Z  e  F5 b& v然后deepseek完美的完成了任务。
! J! S) B: o8 d/ X0 T. A: t段落清楚，列清楚，页眉页脚全部去掉。
' C: f. f& G  \  _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。
3 N& z8 u$ }4 g( w3 {: ?7 t  r2 @现在我这里API还不能用，等恢复了，全自动了。
====
) c8 q5 q% @% U) o第二次疯掉了！
) a! D9 ?9 o4 ~6 j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。
好吧，我五体投地，继续探索。
====
4 [5 \$ g% [3 m8 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。
& J, b: P$ j6 B6 T" u/ ^. F& e
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。
====
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。
8 {# Z9 M6 Q; t3 M====
时间段的话，北京时间的下午和晚上用比较好。
3 j2 l  H8 q5 }' C后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
. L5 d) I/ [9 u% E. E* d====
4 X8 ~8 ?, W* w用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
0 }  |6 ^, Q1 Y  r====
Deepseek，API 看上去可用了，但是不给充钱。
1 i" p- `7 |8 v8 R" W- B0 ]# G
& H- Y0 @8 g" E
' r/ Y# |6 p4 F: ?1 {. n

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

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

: r$ D5 v4 p; b2 K( @) T
以后让deepseek 读出土的竹简
& e6 [- x/ u9 S) h! P: y( d
* r/ r5 ]" U: c还有把古文翻译成现代白话
. k5 P) Z6 E* R4 U1 C" R% Z
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？

! m! B2 r& y4 H$ y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
+ `2 i, ^+ j+ G& B3 Z, `请教是如何实现的？
2 e9 Z- |7 v7 X; ^8 {* W
# l8 n4 y7 m9 i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 x; j, y) F+ }1 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。
0 a1 P& M8 H1 w! }

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
0 j' f$ k8 r5 J$ J0 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 ...

2 ^8 @* a1 q. x# ^$ Q3 R" K! |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。
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。
! Q9 O+ [3 a* Y+ K; m: Z" j$ {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”。

https://github.com/oomol-lab/pdf-craft

0 G9 T* d1 B, l: o4 C6 b* I* E1. 这个工具要求装 python3.10
# y5 z0 ?+ o) q2 r! ^2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
: O! U  j) P, ~- }4 Q5 r- w- ?3. pip install pdf-craft
2 a) ?/ C) y2 b9 K  j3 x4. 把下面的内容写到一个文件里，例如 a.py
- l5 |) f" p7 x0 N5 t0 A. g

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   " L) q* T9 c5 E- O. @
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
   0 O3 C3 A8 F+ c, K4 A: b
6. )
   
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

0 e7 o4 S4 n! {- E
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
  W6 x; x& i6 o- J8 w. K6 Q4.2 markdown_path：输出的 markdown 路径文件名
% y9 a$ [% N' i/ Z& @: R; U2 ?4 s: ]  f4.3 /path/to/pdf/file: 输入的源PDF路径文件名
+ t! r% O& |9 D0 n
5. 运行 python3 a.py

nanimarcus

1 b1 o% V3 C$ v) m  O  j" i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。
, c  G1 n  T1 z' p然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
& D! \  |$ H! B* O+ f
deepseek，qwen，chatgpt 三个，deepseek是最好的。
/ f2 y. X% D3 F# ^% K' z
6 z# J6 t( `* {* G9 T) Ndeepseek 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。
/ N# j0 z6 I- n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。
, i+ ?: M3 ?. m+ R* B" J( j
, d9 A# }7 [5 Ydeepseek可以同时开四个。

三力思

) Y& o$ J- i7 p# e, L% ^% |
1 B' u) H# N& M5 e: b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 ...

细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
: v! ?6 Q  g2 i+ t  p( j) D2 X" b7 Z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

  |8 \+ i( K& k6 ^1 R# p' v3 f已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
$ C8 L/ o# F; J% A& h, ]6 r/ n
' O7 d5 Z8 b. G" `% b1, python + pypdf 按章节拆分小的PDF

. m' h, Y7 x+ P' W# [7 X2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
7 Q8 S% R+ B' D7 E  e% m, }
9 ^, ]; Y; U4 M0 z# }  b得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
4 e- m- j; z3 {& u0 _0 o, B
参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：

4 P' }' j2 l; @* o: e, g% g实测：
! y! z8 U0 }) e  ]+ g; i; t
3 \3 e" o( o  O. g1 T; u+ Z296K 字母，用了 9 美分。
+ }. X1 J  N+ l2 K/ x. H
; m! l" w3 }* J& e+ G英文字母 到 token 用量大约 1/3

8 W; @9 B0 E; R5 Wtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
- r+ x% z. \5 U# N& y3 Z. G1 ?/ C
32899 个字母花费 11782 tokens，包含输入输出的 tokens
: x; K; ^& f' M" h
9 j$ M  @( i, X" E0 f9 q价钱，非常非常便宜了。
' w) R4 o* }; Q6 m1 `+ D/ @
+ ]/ E) m. B3 x参考如下可以计算，懒得算了。

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
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
% F; Q) t" c7 X4 @  a8 x
1 l. f, d) l! A+ {$ h2 t5, Balance
% _/ N8 p' a; z6 r" a
- X5 @& B& e! S3 h! l, i可以在程序里调用，知道每次运行结束后，balance还剩多少。
& D* h, E2 Z! S% t4 O参考：
https://api-docs.deepseek.com/api/get-user-balance

$ b" O5 m1 V8 n6, Models
% k* w# K9 U- [: C% A
目前就两个
# deepseek-chat
# deepseek-reasoner

参考：
" D' @9 y8 l6 w# t- b6 v) V0 uhttps://api-docs.deepseek.com/api/list-models
3 P3 B+ _$ x: Y1 e) f

7, 问题

7 n7 C9 Q" K- v  W. L8 B& Gdeepseek 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。
: n8 k0 o# k* T7 Y: q& T+ A
' T  K% O$ H4 ]( X8, 钱说了算。
, c5 q9 X) z, z6 Q) n$ K) l
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。
: k! K: F3 `) t( M! X0 B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。

/ E  K+ O4 s# w& ~/ L
- g9 s1 o! \, _4 H