利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

8 {: O$ F( D  F3 P' s, X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。
段落清楚，列清楚，页眉页脚全部去掉。
0 q+ ^& C8 O1 N; [# @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！
" j( @6 d7 X/ t! B3 e0 V# E====
中文也很完美。
经验值，每次十页比较稳定。
% }+ V  X# R7 i% H8 D现在我这里API还不能用，等恢复了，全自动了。
====
1 r" u9 y5 V3 Y第二次疯掉了！
8 a+ a7 A. J! f0 O) 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。
====
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。
: E" f% R- i% f# Y" ]) D% o0 N% r6 J- h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。
3 q1 t) z* c) g% V$ B# s====
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。
====
% a' b5 q& y$ u; R. G) w3 f好吧，有些东西是不给翻译的，哈哈。

! d4 m# ?0 }$ R5 b5 N0 z3 sSorry, that's beyond my current scope. Let’s talk about something else.
$ {* Y1 C0 ~  l0 G( E====
然后我的英文命令也让deepseek 帮我修改，呵呵。
! ]1 {9 z! y9 C3 ^====
( y, k4 @- G: ?, @( h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。
2 {, N. y( N7 o' a3 ^- ~====
+ U: u: j; W8 |( 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。
* K( @; B- U( I====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
5 S4 T, B% `+ S( |  n" O! u1 s====
Deepseek，API 看上去可用了，但是不给充钱。
# D4 M; \7 @" f% t+ {  u- ^
1 Q3 f4 _0 b9 G- c

+ S6 l7 B- v5 H

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

& M6 y) |* k; \$ z% G9 W
以后让deepseek 读出土的竹简
8 b" v1 U' ~, _1 M
/ D1 B/ J' s; G* ]' D5 K* @0 `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？

0 B- v& ]! g! L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？
, t' {5 U% a* _
2 n/ o. i7 v( a- k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 P. t7 a# ]( H9 B' P1 [5 l5 t9 ?
1 q4 y3 S/ [+ ?( z5 K9 t" x& B& U" A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。
; u6 a0 I$ K! V' a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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
( J8 Y. U0 o% [9 j( J; R请教是如何实现的？
& l$ A. n9 R2 X* P* [& a0 C0 j
( b0 E6 Y. u; P6 G8 E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 O$ u6 s# {7 n' Q: [& t  M7 K1 ~https://chat.qwenlm.ai/
5 I2 r& G" m9 S8 P5 ^( d试一下千问，估计美国人没有攻击他，所以资源敞开用。
6 S7 W9 F* `9 s很稳定，质量不错，好像最多一次处理15页。
( \4 z" E7 W$ s- e2 W4 K; j- O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。
; u. m. r6 E7 Z2 J+ _$ {% n4 g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

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
4. 把下面的内容写到一个文件里，例如 a.py
9 T, b0 h: E  @/ P9 ~
/ B- v0 M' s0 g, f, Y6 H  ?

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   ) `" T' d0 i# e/ N# ^
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
   / n1 T, M1 _$ F$ I; x
6. )
   8 g5 O& l% R/ x0 E7 J. E6 H
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   * }" Q, X. f! g+ t
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

! P, v+ W8 T3 K! g8 K; K$ c' P0 ?要修改的内容：
. }: y7 \5 N+ i5 z  J4.1 /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
; s* b) d: M7 V0 i4.2 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

2 q3 t6 x0 k7 A. v( U( d5. 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。
/ d6 u# B) A  n然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

$ D# n2 U" a+ D4 \7 vdeepseek，qwen，chatgpt 三个，deepseek是最好的。

7 w$ N' w$ \9 d9 B. t! Cdeepseek 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。
; k. l8 S9 B% [. e, m: B" o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。
3 C% V; Z$ C9 `: P  c' V8 q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。
& l7 r$ ?& Y1 _) V& P7 ~* Z# a/ }
2 g# @5 @8 ^2 b, Jdeepseek可以同时开四个。

三力思

, S1 a$ I  S( 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 ...

细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
+ [+ n2 z; R! H3 \* P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

9 \5 P; u* J, u" A9 h* W! P5 K% u
4 ]% i" o0 P9 D4 C  Z0 y已经搞定.

! s& n7 l: r4 Z' z( u* N: I% I首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
; u- n- [4 f& o* q3 O, D+ ~9 h
1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
# o/ o$ O; @) Z3 N/ [7 }
; t' S/ E- p/ }得到text file

" V) Q- R, b9 ?/ z! U% F9 ]3, python 读取整个outputfile，丢给deepseek 矫正。
4 m2 ~( n, ?' ^
9 i8 w( N. W/ i% ^模型是 deepseek-chat
$ V% e1 @6 D) A) x  O9 w
( `* Z. e/ n% S' Mmax_tokens 最大是 8192，别的不用改。
5 e6 W1 Y$ N# ]% a& O) l) C4 d
参考：
https://api-docs.deepseek.com/api/create-chat-completion
* H: ~# n9 k1 u, X6 H
4 f9 D8 i; I/ F% g% _7 n! N+ V4，费用：
3 |  b5 v9 T$ c* s
实测：

296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
8 p/ x* I  e& K# V/ A! c
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
9 p3 r7 Z  k. z7 R8 [  w7 g% Q
9 @/ `0 T; J- x32899 个字母花费 11782 tokens，包含输入输出的 tokens
$ T4 d- ]( n/ c. V. I  f' r) I
价钱，非常非常便宜了。

: L4 J7 O0 N8 ]6 ~参考如下可以计算，懒得算了。

) i" D; C2 _' n/ Ghttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
6 ~6 |% B: I, j  {1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
* C- R0 W& P" J( B1M TOKENS OUTPUT(5)                                              $1.10                $2.19

  G: S' D, T9 D3 Y: _: r( k5, Balance
8 A% h8 a# r) t7 i) _- V
; m) `- ]$ s, |, C可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
3 _& Y9 w3 k7 g8 l0 p! c3 a- {https://api-docs.deepseek.com/api/get-user-balance
* ]8 M; m7 R2 s6 q2 o; A
* }* d* b3 w, c# m8 Q6, Models
' c0 T5 r. U0 a; A1 E$ K: G+ r
. e; x' `+ F7 l% z: u目前就两个
# deepseek-chat
% ]6 P, w1 H, [" |# G& t# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models
, m  p! g* `7 A; E9 y

. i7 o  m% U* {. z7, 问题
1 O- j; U+ S1 d7 A* M' \
5 o/ [, V9 H: B& Zdeepseek 会将前后两段合成一段。
' x8 X- ^" e0 |5 G/ Z特别是那种大量的对话的段落，deepseek会给你合成一大段。
' Y6 Y: y6 E, Z# w* S
8, 钱说了算。

- Y# X  |' L, Z- q* l& tdeepseek 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。
8 O3 ^, z. B3 I, O1 H  G但是API就不会出现这种情况，毕竟我们给钱了。
- {8 l$ h# ?8 ^; V4 X* \' echatgpt也是这样的。