利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

5 `1 H/ b* b$ s5 }8 _, l7 N2 ]
4 `; B8 h8 }, Y把PDF上传，然后让他抓取文字，并修改可能的错误。
8 d! q8 T' r; A! s0 k! i# w! 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。
( c& ^6 o" x2 L/ }0 H我要疯掉了！
; t% \5 {" {. \1 }# X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！
3 @2 \% c2 V1 ^% W- W====
( z& ~) x) V% j# M& B( Q中文也很完美。
  ?- {$ ?2 Y, x" U# P' |; E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 R; }( H1 S! [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。
====
/ D3 z$ V; F, T* `+ S5 T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。
9 p! e& H. n$ z: C* X  l====
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。
* w" g$ G' ~0 F9 u" Q7 u1 ]/ z====
; e2 w% v+ e6 u, s9 J" Q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.
0 Q. I+ O6 ?$ N4 Y: S====
; l$ Y8 }( a* K& v1 S然后我的英文命令也让deepseek 帮我修改，呵呵。
  K; |. O' 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。
====
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。
! S) `; r( F: X====
用千问吧，非常稳定，非常强大。
' z+ W2 V4 m% jhttps://chat.qwenlm.ai/
3 x4 d$ V1 {* ~' {" g4 q/ z====
Deepseek，API 看上去可用了，但是不给充钱。
0 l' G. ?" f9 }; d+ G7 A3 a$ _


% t7 a" K9 k0 S

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

1 J  {! D& b+ F- N" c
" N% I% l& k) d: f  \) u以后让deepseek 读出土的竹简
+ j4 \! P6 |5 L3 R( e) q' T
. t4 O' ^- o9 i( |  N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？
/ S9 t6 g; z+ J
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
9 [  V/ Z  a5 H5 v7 A3 f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 ...

3 e: B' y5 a/ F. c1 H
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。
( D+ j" s9 F5 w  O# ]6 G+ y文字之类的没问题。估计deepseek现在暂时只保证主要功能。
2 p4 I/ E: m- N( y7 Y' P! G9 ]6 [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
% s# t6 ?0 [& o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 ...

6 d, X6 i8 I5 l. l* j; Ghttps://chat.qwenlm.ai/
/ R& K' Q* g& N& j, p3 T! {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。
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”。

, n- i- L% c* [- ^: Z8 `https://github.com/oomol-lab/pdf-craft

5 _5 B! _7 a2 ~* T1. 这个工具要求装 python3.10
  h5 Y* Q. X  B9 H2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
1 j  i* }$ w, M9 x- S. z3. pip install pdf-craft
, ]) o" G" J3 E4 E" P" k6 [4 C4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   6 L  y! g$ T$ n7 T; w4 p9 Q$ `
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   : \4 A" x5 k4 k9 D
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   3 F8 w% T, v6 i4 _% Q7 `
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
     w4 h% n! B! }
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   8 Y; C$ F$ }- N& a. U9 }  n8 u3 R: V7 Z1 n
9.     md.write(block)

复制代码

' x. L2 Y& S) [; \4 l$ n
要修改的内容：
( G9 o( j+ ~( _3 E: l8 m0 M* 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
' a' h; r4 a) m5 ]5 A* f/ t- l/ c) ^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

5. 运行 python3 a.py

nanimarcus

. O1 |3 N" l2 }, W! F
目前为止PDF转纯文字的最佳办法。
1 A4 T$ a7 q$ P' r$ |先写个小程序，把PDF按章节切成小的PDF。
5 d- m; U$ b4 h) U# ]然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
& M5 x% \% t5 d效果非常好。
# e0 ?% g7 H. w- O9 R3 s# L
deepseek，qwen，chatgpt 三个，deepseek是最好的。

' c# P& W2 l# K0 H7 U' _8 ]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。
& X6 R1 g, Q1 M& M; y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。
" |( A+ J* ^% t+ ?* o: \6 V% M我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
. V' x3 D+ `3 x7 L6 ~
API到目前为止，差强人意，不如网页版本修得干净。

deepseek可以同时开四个。

三力思

4 y: J. {0 `& j* A' P9 X! [# 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

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 ...

% M# X; N$ B* n2 }+ E细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
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

/ q1 u! U. ^' \' e- G" ?已经搞定.
2 o' h3 O) R; G* G- g  r/ F0 F% z& m
' L; ~& W% ]) W/ B0 U首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
  s$ u( i; j0 v+ G
1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

; E* z5 `8 x8 u/ d7 `  v0 t3, 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。

; a8 b# o- v. j" b6 X参考：
$ T. I: c# |3 t# ?https://api-docs.deepseek.com/api/create-chat-completion
. b; F5 K1 y: N# ]+ c6 b8 y  j+ P
8 W1 l* ?7 i$ j- r4，费用：

' q1 J0 E8 C9 C实测：
+ x3 R5 \  B  ~8 W6 U' u/ l
296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
  ]2 j! S, l$ Q1 ^/ l* c
3 g+ [. e3 [3 G& M3 j8 |  Etokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

' U, j, O$ `) D6 @32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
3 p7 A3 X; g7 b; E/ \+ D% _+ L; K
参考如下可以计算，懒得算了。
/ c/ N" X- F' n3 M
https://api-docs.deepseek.com/quick_start/pricing

' l7 q: x; @9 f0 {2 A1 \1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
( `, S* C- W1 h7 U/ z' V: ?/ t1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
8 G" B) n8 r5 A6 c5 |- {4 ~, ?; Y7 `8 E1M TOKENS OUTPUT(5)                                              $1.10                $2.19

0 E" g% c# {: {7 ~! w5, Balance
, L% C/ g, B4 H: F, K2 z5 R
- t. x! ]+ v0 t+ S, _; i5 k- y/ d1 S) B. X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
  x& Q9 q. I9 I. Q
) F5 ]3 H' {8 u' S4 Z6 Z目前就两个
# deepseek-chat
7 F5 c; m/ A' `/ b# deepseek-reasoner
& y( o/ b5 T3 \5 x
7 E! {  F, U; b! ~) Q参考：
: V$ H& ?* j- p! Whttps://api-docs.deepseek.com/api/list-models


1 q- \2 W$ J) \1 l7, 问题

; Z* h5 \2 s6 b7 a& J1 e; o/ Tdeepseek 会将前后两段合成一段。
! `6 ]. I" `. O+ u/ H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。
( |- D# m+ H. I, _$ K! Z
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。
" V" L' `# a- H% i$ g; P' `7 Dchatgpt也是这样的。