利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

  I+ _6 h$ z- w0 P/ Z& O7 i把PDF上传，然后让他抓取文字，并修改可能的错误。
2 j4 o$ {; F# p! i然后deepseek完美的完成了任务。
" d( p+ U$ A3 y* ~7 x# x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！
: C& t6 b/ a9 J# W& S====
中文也很完美。
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。
3 t. p. m3 B! f2 S* [& w====
* E# _, X) m3 J4 V  V' ^9 e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。
7 O- r' `& ]" e: z6 q====
& T3 D: u, s' K: F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。
  i  C6 f* h8 u7 r& r; Q9 `9 a但是任务多了后，每次翻译的页面数是减少的。
& Q! W0 `, Y+ E/ ?$ U( c好吧，我五体投地，继续探索。
4 C% F, i% t& n6 I====
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。
====
8 K# X' a: {- X4 M8 u好吧，有些东西是不给翻译的，哈哈。
9 L  o- F* _+ ?- q
7 O. E, O* Z0 x+ VSorry, that's beyond my current scope. Let’s talk about something else.
/ r2 m% u: K) e0 }; c====
, Z) E3 W+ y) g! m9 ^然后我的英文命令也让deepseek 帮我修改，呵呵。
====
, c; w2 h0 C+ {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。
0 N# B& M7 V# I" `: q====
8 w2 }( j" Y+ Y% d. ]* m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。
: H- O* F5 _  L5 i' f( X# ]====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
8 M' T5 B! M6 }5 [2 f0 r$ R/ B====
' d" B6 k  x4 y# f. k& j1 J# D1 ?/ c4 _Deepseek，API 看上去可用了，但是不给充钱。
2 [! u( Q* I2 k/ @; W! W

5 c% O! b- J/ Y$ r6 z2 }, i5 p0 ?
9 B) H% ^0 h# R& Z1 u+ p8 X1 F

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
* E; o) T: G/ r$ o' X2 J有没有上传整本书试试

. ^: m) h& R* t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

) _9 R+ f/ A, d5 h, [以后让deepseek 读出土的竹简

" s& d, T( x: B0 {/ V6 [3 ~. o1 _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？

( u0 |' T) L8 v8 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
" Q# q/ V1 Y7 x3 n& a+ S请教是如何实现的？

! G0 ^2 W: ~. c! \/ @  ^  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 ...

$ l0 d1 t7 b& z' O9 p
) D) e/ T8 R' _# y: a( y& V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。
* ?8 f7 M; U6 J5 ^, y# S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
( Z  D: q+ X( ~3 x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 ...

# C4 ~+ a/ ]: q- u2 @& a. d) k- H. fhttps://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。
9 Z& d# m/ Y, {5 @1 E1 S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。
" a& A) F7 u+ L( d9 T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。
6 X( i5 y1 p! f  y5 A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”。

9 S2 d) y! {$ R; R% Whttps://github.com/oomol-lab/pdf-craft
% ?' Q: a( h. _7 X7 s9 d, j1 r
) F+ u! z, F  d- g, U( e3 q& Q2 ]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

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ( `1 @1 H  d4 d
2. 
   % l% F8 ]+ N9 t/ K
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ! i6 F- A& U: e
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   ! [1 w: ^  B9 {9 z2 j/ C) E+ b6 [
9.     md.write(block)

复制代码

' Q: {/ J8 m$ @& M
6 v$ x/ h5 w- W要修改的内容：
: C" n1 G% O6 G4.1 /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
1 w  J& B% t  ~( u4.2 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
. B) J" K& {* k' \
5. 运行 python3 a.py

nanimarcus

, w8 e$ t, q# o0 C# o- C
8 g: j, P; \' S( z目前为止PDF转纯文字的最佳办法。
1 k- B5 k& r* Q* {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。
, E1 z) S: ~  p8 l9 M
# y4 P/ j9 @9 Y4 k! |) Kdeepseek，qwen，chatgpt 三个，deepseek是最好的。
. d8 w5 E4 @/ R' r- Y+ C1 `  Z1 x
/ V( P# S/ t% V+ ^2 gdeepseek 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。
' y3 m# ^  C7 O. ]我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

5 J5 h0 [# O- b$ j- Y" ]" c4 w2 b+ _* MAPI到目前为止，差强人意，不如网页版本修得干净。
" y3 Q6 u) \$ `. F9 s& Y
- `( O7 R  |' h$ i" c$ V( ddeepseek可以同时开四个。

三力思

! N  d( J+ u& f
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
! u& U9 U$ P9 J# U* h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 ...

5 `  `: y; V" A/ I细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
9 x; _2 q1 z# r$ Z3 m细说一下，听上去很不错，多谢。

* K! T7 o, ^# Q  I; n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

6 V; E5 [. {, ~+ X, e  b! q已经搞定.

# |* R( X, V/ t% P7 e, P% n首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

& B* o% u1 A: W3 D. D1, python + pypdf 按章节拆分小的PDF

! k/ A1 Q& G) W2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
. J9 X" N/ L1 G2 t
5 N' ]3 b- J, ~得到text file
: c1 X2 C6 ^- d4 O2 Z
3, python 读取整个outputfile，丢给deepseek 矫正。

' V! `2 G0 S" P/ d% e3 `模型是 deepseek-chat
$ A8 m. O6 p, ]- o
max_tokens 最大是 8192，别的不用改。
2 A) p+ i9 B* O- V9 W2 Q' w
参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：
6 U4 p( w$ W. O: h5 M
$ l: j3 X3 J0 j+ }) A7 A! x( f实测：

296K 字母，用了 9 美分。
: u# u3 a  U" t2 U7 f7 g- i% [: C
  l; I6 d: M+ O9 V英文字母 到 token 用量大约 1/3
; `7 L- K! ?# `) z( H, Q5 P- a
3 K3 F. V) b7 l: ~# btokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
3 t7 P) ]! T3 g$ Y) O: Q9 N; D. S
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。

0 G2 R$ ^3 ^& _2 P+ s参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
( g, G! ]- e; G' e% a
, ?4 j0 I8 W1 I8 w1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
' N) S0 u: ~' G* j" |+ T- I1M TOKENS OUTPUT(5)                                              $1.10                $2.19
1 `$ R$ w4 b+ t" J8 M3 Z
5, Balance
3 W8 m  |5 N9 X0 j' b$ ]- r  D; N
2 n0 d: D9 `5 U* `; j4 V可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
: I8 C- ^  L. U# Mhttps://api-docs.deepseek.com/api/get-user-balance

" B4 ^- u! y' F, y' J6, Models

9 |+ [& ?/ X9 P* ]目前就两个
# deepseek-chat
: u8 E$ q6 _+ W: _" k. a+ q# deepseek-reasoner
' e" z' [1 a6 u* Q  r2 _+ c
参考：
5 d& v: V  k3 W) H: B/ uhttps://api-docs.deepseek.com/api/list-models
2 h3 ~; p4 u* X+ u- N# n5 Z

( D0 V" Z: j4 Y7 k7, 问题

deepseek 会将前后两段合成一段。
0 W. g1 U5 H5 ]: Z特别是那种大量的对话的段落，deepseek会给你合成一大段。
+ O, y) Y: t9 A3 n4 x- z& e
) g  R& {/ T% p- ]0 J8, 钱说了算。

, o1 }8 @8 s' Q: qdeepseek 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。
' ?3 |" Q: [# I" hchatgpt也是这样的。