利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

8 y/ b0 Z3 Y  \1 b( E
' U# V" S. j( s& d把PDF上传，然后让他抓取文字，并修改可能的错误。
1 f% F) D2 C- u; |' Y+ B3 R* A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！
6 Z4 [4 a+ R+ x. C! \" y====
中文也很完美。
经验值，每次十页比较稳定。
+ M7 Z  v: Q* s: f/ x! g0 i7 w现在我这里API还不能用，等恢复了，全自动了。
====
第二次疯掉了！
, q: {% \/ T- U! u7 `9 j: 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。
9 K' n  B! _: u: d: B====
9 K8 k7 F  l5 r$ e' c% v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。
====
$ g6 l8 c' W: }. P% v1 Q( Z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。
8 c# L' r6 r' h% ?6 M
' g* k% L+ T7 W1 j5 |; s$ s% u6 n+ @Sorry, that's beyond my current scope. Let’s talk about something else.
. K* k$ y6 B" N  F$ L====
然后我的英文命令也让deepseek 帮我修改，呵呵。
0 R3 s' p0 H; J$ p! n4 A2 v3 @====
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。
- o2 g( S' C  a. G9 g====
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。
====
用千问吧，非常稳定，非常强大。
. \. i2 ]# s" Z$ b2 B! q7 Ohttps://chat.qwenlm.ai/
4 _; l* W5 ]) w# [# |9 N; `====
- M6 p/ Z! g6 t3 DDeepseek，API 看上去可用了，但是不给充钱。

: D- u- s* ~+ W& C1 s! Q
8 `$ v# z0 u- o0 o/ F3 f' [, {* C+ G

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
) i3 S# h3 P8 N% H7 u) q有没有上传整本书试试

1 L; `- u, w; O; ^- E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

6 |9 s4 u  J1 ~7 \; |6 j
以后让deepseek 读出土的竹简

. m/ ~2 B+ L1 [0 N% o; l3 L还有把古文翻译成现代白话
: C9 D" A& N* y8 u" Y1 ]3 C
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？

1 g& C+ [$ J2 \( T+ w7 `& G* 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，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？
/ \9 }7 s; b- q7 `
) @+ y6 k  O: x2 S; y4 J8 p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 ...

" f0 X6 m, w; S) X" O. @
6 L" C; }5 ^. ?" n: C3 P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。
: K1 c$ U- T  V) p' q. x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
7 O. P' N. s9 w2 l% Q# {0 S请教是如何实现的？
0 `7 i+ b- r% L
2 t1 ^% Q3 K+ G" o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。
1 g- Y7 T- S6 P8 w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。
* V, Y% ]5 u% t6 H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

4 f/ y9 G% F& r9 C* F8 d' \7 I1. 这个工具要求装 python3.10
" \/ N: y! N4 `' F2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
; @& x1 _3 T0 u% j& E: E4. 把下面的内容写到一个文件里，例如 a.py
5 S8 R8 c0 J: I7 h. i% ]
' R$ \: L5 U% i! Q5 `( e8 y

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   6 v) P; F+ U# W# c$ i4 Y
2. 
   
3. extractor = PDFPageExtractor(
   $ Q/ Y7 Q8 }% V$ ?; X& c
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   9 T( ?8 }% W& D5 }- B: d
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   " {2 ^: m3 W3 m8 [
6. )
   ; [/ i% V- |; a5 D* D& i) S, u
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

( }& y+ x0 O1 O( `' o
( J3 V) r! [+ u6 a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
4.2 markdown_path：输出的 markdown 路径文件名
9 n* d: \  |0 M! s& B' N" f. o: u4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

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。
2 z* s7 k' i3 |4 r& w然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
: ]* Y7 @) b) A+ u- q& r1 M3 |
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。
. o2 v% s5 k9 c- z1 z9 E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。

API到目前为止，差强人意，不如网页版本修得干净。
5 M# V: ^! E7 E0 t3 H
" U6 ?2 x+ I) @; w' e. adeepseek可以同时开四个。
" r. _- W3 Z+ }/ |3 @5 i3 U; }

三力思

2 h! ?" a* E5 z5 d0 q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
$ x& l( F) A9 C4 Z8 ?4 x# x6 S细说一下，听上去很不错，多谢。

- S6 Z( k- x4 V) m  P. |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

- I0 l: L6 c( _+ q. ^4 x+ W  m4 m
* A* _" _/ ?+ Q3 C已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
$ }$ t8 M, f$ U, q
$ ^* l& g, t2 ]' X6 j7 A1, python + pypdf 按章节拆分小的PDF
+ [; \  a  B9 W3 g' R
' a5 F7 Y" d7 P" X5 t6 p2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
4 F; L/ J6 B- ^0 D* o7 e# E
  q3 [, J8 v  e" G- I, R7 V1 f! N得到text file
+ M  z" z! B* {) K! s
2 h8 w, d" g4 z+ U# o2 d" M3 P3, python 读取整个outputfile，丢给deepseek 矫正。

( ~8 H4 i# V% n) A( k. U模型是 deepseek-chat
/ Y( J3 R. h) r8 P4 E* ~
max_tokens 最大是 8192，别的不用改。
2 K7 u4 y5 _$ l
* y" I1 @) E+ x7 B参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：

实测：

' j; X" Y: J) l296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

$ g* R1 ?$ T) `) [: s9 y& o! X) z# Ktokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

, M. p0 {) w% T  M4 f* o2 Q9 O/ g32899 个字母花费 11782 tokens，包含输入输出的 tokens
+ A, [. X* Z9 i# m7 e: R' G
2 Z' n3 P% B2 Z  W价钱，非常非常便宜了。

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
' @! W2 h2 ]" o1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
: {0 `3 e" t; |5 I1M TOKENS OUTPUT(5)                                              $1.10                $2.19
( {9 A! i5 ?; L
# M% I/ v/ o: q! ^/ ]5 w5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
. d8 {. l, X: _* @( Khttps://api-docs.deepseek.com/api/get-user-balance

6, Models

1 l: P5 |3 r+ \% e目前就两个
# deepseek-chat
/ m) L# C. c1 f6 C# deepseek-reasoner
- |5 r+ h! s9 w+ h0 D
! R' @( m7 b2 {# i$ {2 B" D参考：
  r  v8 ~, ]6 N. H" _https://api-docs.deepseek.com/api/list-models

* K, `0 A# m, O' j( M/ _, I$ l/ u
7, 问题
! w! t! @* f; U) N3 k) C- Z; n
5 U! c+ {  h4 _% j5 m+ X& Ndeepseek 会将前后两段合成一段。
9 d1 a5 |: {) T; L  |. z8 C4 r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。
+ n6 ~" K* B9 Z* E: Y1 M4 i, ?
8 L7 }. Q) C7 @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。
& A: z( a1 y  D- s% ~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。