利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

# [% N  Y$ H% u* Z0 J- |# 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。
9 D; k" Z. X! [$ n8 E段落清楚，列清楚，页眉页脚全部去掉。
; X9 w8 P. D. C. b( ?8 i我要疯掉了！
- i1 H9 l  L4 s/ f- J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！
====
( o0 M! {! C& _0 v* m  x2 u2 p: Y中文也很完美。
经验值，每次十页比较稳定。
" r" J# [. c2 R5 M: l: }! i& H现在我这里API还不能用，等恢复了，全自动了。
( n: |5 F" R  \% `: O====
5 _8 v! k( y+ i4 x第二次疯掉了！
) I/ e8 Q0 b% d# d* K7 m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 W( F1 R/ W! G. d) C$ k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。
' y" |' C; x& ^" Y7 h/ a但是任务多了后，每次翻译的页面数是减少的。
& Q+ `. f, H! G, ?6 T好吧，我五体投地，继续探索。
# b) @9 D+ X4 w5 V8 k" O====
* b3 Y$ {  F5 ]! u$ X: E" R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。

Sorry, that's beyond my current scope. Let’s talk about something else.
7 R- G& m  z. p! f7 t====
然后我的英文命令也让deepseek 帮我修改，呵呵。
: ]5 z( V" @3 o* ]8 \8 i  ~: B====
6 j3 I% f$ U- G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 j* l* a' b3 o! M====
. S5 m# a' @: m/ e/ v# }. }: F8 R5 U- U. Z时间段的话，北京时间的下午和晚上用比较好。
8 L& V/ P; w" y+ M后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
; x  ?% J$ t' z, r====
; |* d  e8 b; R9 Z5 D( s$ @用千问吧，非常稳定，非常强大。
: z: i9 f9 F6 }; U- c! s6 _, chttps://chat.qwenlm.ai/
2 T; c/ g+ G6 @3 F7 d3 h1 [. O2 \====
Deepseek，API 看上去可用了，但是不给充钱。
% G9 b0 j# ^' b" n$ \
1 s+ j8 U5 a. G% A3 p3 C1 g

9 t& Y6 C- F& @8 h$ t9 ^/ l

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

3 R& `. \$ o& h) v- p8 J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, m' S$ w0 @
以后让deepseek 读出土的竹简
7 y  }. p0 s: R$ @8 ]0 O
4 S2 @7 y; q7 ]! l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？

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
0 n/ W& d& v- f# @% j3 E请教是如何实现的？
( `: A5 \9 |: H+ L' y
+ a& Y* `6 c& v& q% \4 s2 U, {$ u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 l: e: D  W' k+ \# d7 Z
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 n: @  U% Q' [6 K$ Q. N, s( |文字之类的没问题。估计deepseek现在暂时只保证主要功能。
: ^- ?: P+ [6 j' t, @5 ^# N& c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。
% m/ a: u6 N8 @* Q% _. a

nanimarcus

方恨少 发表于 2025-2-3 01:23
$ W  S  N* z, [5 n0 n$ A请教是如何实现的？
$ S! S- I+ x  s( g* p. F( r! l
: j# @; Y. G5 I* e+ I% ]+ r1 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 ...

8 g% U1 ]- S/ ?' L; m5 ghttps://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。
) s6 B* u. s, F+ k! a; e1 V( j很稳定，质量不错，好像最多一次处理15页。
3 O" o  A$ x, `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”。

: R4 i& G) D7 dhttps://github.com/oomol-lab/pdf-craft
8 @3 j9 p+ k$ k5 F3 i* L
' c  D! i% W6 I- i' x( v9 G/ D2 d' e: a% w% F1. 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
" g: P) Q% x' a9 [( I+ n! i4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   1 I9 U' C; H6 _2 E
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
   
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   & }+ {  |' z/ G+ S5 E+ q$ u: o
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

+ I1 M7 h8 x3 v6 p4 l4 s
9 L8 s6 s5 f/ M. N要修改的内容：
# D, o, ]" [0 u4.1 /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
( R. j" g; i1 j2 k8 ^0 R4.2 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
) i8 S6 K8 U' V6 k) I' g  Y
0 e, Z9 m' q0 z% c: e& w5. 运行 python3 a.py

nanimarcus

4 j3 S7 }/ L- G1 T  N# N) `; h( ~目前为止PDF转纯文字的最佳办法。
2 H7 T3 C! s6 i* a7 Y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。
% f  C0 c/ C% ^5 d1 D效果非常好。
$ k1 F( I  b+ B6 c' E  T
0 p; L$ l2 F+ w5 S, a+ j5 g0 Jdeepseek，qwen，chatgpt 三个，deepseek是最好的。

! e6 r% e3 }. w/ J( vdeepseek 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。
% b5 W: n7 j+ y: l; W) 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。
: J: a7 B  H# U3 R, b# v我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
# a  e) C& c9 }
, Z9 o, U  B* z" A$ dAPI到目前为止，差强人意，不如网页版本修得干净。
0 H& R, ~) \4 o/ a2 p
deepseek可以同时开四个。
+ l' O2 e8 q# }( |& \. p

三力思

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 ...

/ g. [2 z. u4 b) Z# _6 N细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
  |8 v" h. W  ]3 Q. f' c2 S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 A3 K( L# m7 O4 q8 g9 T. P* I
# ~* H3 u4 D) Z5 ^# A2 N已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
& F/ i2 |, r) p7 ?/ ?
. |* m' ]4 w! p" O1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
( {# ~6 B- F$ S) Y5 Y
得到text file
6 N& A/ E9 X$ ]: H2 g
3, python 读取整个outputfile，丢给deepseek 矫正。

9 K, G% {, k+ y! V模型是 deepseek-chat
* P2 i1 I5 p& ]
max_tokens 最大是 8192，别的不用改。

参考：
  A" T4 L0 _$ M9 thttps://api-docs.deepseek.com/api/create-chat-completion

4，费用：
+ y% u! v! W- t, L2 S' u9 }) r
实测：
9 ?5 X* @  U  x& X
1 X: @+ s$ M) L) P5 Q" |296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
. |  |: O, \& o% v
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
" X& ^* }3 `% q' c% J
32899 个字母花费 11782 tokens，包含输入输出的 tokens
5 J" }; o' k/ B' S/ B" N
+ z! c3 \1 }# d6 Z9 N: j; O  r价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
* t) C( z5 Y2 P' }
3 y# n5 M4 m0 E% U3 Z- }https://api-docs.deepseek.com/quick_start/pricing
/ ?6 e  \( O; p# q" H" ?2 w
( p9 `) c; n4 w& r1 Q8 c1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
: n% y* S$ O  b. z1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
7 I" d* G( L/ g, K' X2 t' j& H% u
5, 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：
https://api-docs.deepseek.com/api/get-user-balance

6, Models

目前就两个
) W) f8 @# {. ]0 j+ _3 O# deepseek-chat
. S3 Q/ P0 E7 r( |: _# deepseek-reasoner

5 k# Q3 A- g/ v2 e7 ?4 `参考：
https://api-docs.deepseek.com/api/list-models
$ b" T- ?# t; a6 Z; f- x: l8 C& Y
/ V/ e% p' a( h% a, J" e* ?
7, 问题
. r& ?" Y) \5 ]  }- j! t
deepseek 会将前后两段合成一段。
, K5 J) s9 Z  O特别是那种大量的对话的段落，deepseek会给你合成一大段。

9 B, R7 x3 ^  |8 k. t: E8, 钱说了算。

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。
/ p# l* g# d% P7 w, W" p; P但是API就不会出现这种情况，毕竟我们给钱了。
' c1 _" T" v' e/ c- V: ]. @chatgpt也是这样的。
$ j9 Z( H8 B, J" @
2 D! M/ z/ n% t! ]6 H- H7 H( |' ]# }
# f, h" h4 Z8 t