利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

+ P4 q  _* K! A* `
把PDF上传，然后让他抓取文字，并修改可能的错误。
  u" `* R! g4 `$ y然后deepseek完美的完成了任务。
) O8 C( f3 J# l$ i3 \% B* v段落清楚，列清楚，页眉页脚全部去掉。
; y3 y3 R; z- W5 W* p# M. n  I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！
====
1 T) g; t; y9 C; M中文也很完美。
经验值，每次十页比较稳定。
  T$ o% @  t4 J2 S现在我这里API还不能用，等恢复了，全自动了。
7 ]. [2 [6 p3 O% [$ X$ [====
: O6 L8 Y" |% E/ D1 F  V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。
====
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。
+ c9 J% Z5 Q! ^0 x: ]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。
: _1 c- D7 E0 q- P9 l" \, D====
4 [1 G4 L$ S! B8 f& v7 U, a- z, k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。
$ T- z- x% {7 y) _# Z4 v====
好吧，有些东西是不给翻译的，哈哈。
/ I6 N4 @# ]# t4 x4 [; R! }
Sorry, that's beyond my current scope. Let’s talk about something else.
====
' M% y  z2 e" T/ E; E然后我的英文命令也让deepseek 帮我修改，呵呵。
====
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。
====
6 [2 P& ]) X5 Q9 ]& `( L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。
  j! j6 Q; u% ?6 H====
用千问吧，非常稳定，非常强大。
- t# h0 d: D' U  r5 J- d3 X* h4 d" _https://chat.qwenlm.ai/
9 ]  x6 M! y$ c7 F====
Deepseek，API 看上去可用了，但是不给充钱。

  F! m9 |  U4 [" X; V# {5 p5 j) K

9 `* Q; m+ F# e3 J

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
7 ^' a# U" B7 V: }* {) X8 z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

* Z7 E0 T' B% }! f6 I* ^
" @' R9 Z" t5 y. a* ~+ k( z& M以后让deepseek 读出土的竹简

还有把古文翻译成现代白话

, `4 i. ^! Z: ?6 Q( M( ~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
请教是如何实现的？
* D# J' _( `+ x+ J* b: w0 ^4 ?
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 ...

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。
' b: n8 P1 k& I( `, X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。
6 O% [1 X0 ~4 a8 w

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

7 z2 K( d2 y* L' w8 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 ...

https://chat.qwenlm.ai/
4 C; k" }& Z( y5 o0 t, e3 s) k% ~试一下千问，估计美国人没有攻击他，所以资源敞开用。
  K1 ~4 t( b" x8 H2 D* i: ?' c9 n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”。

https://github.com/oomol-lab/pdf-craft
, \# p0 O" V# Q* B7 ~2 F
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
. L+ E/ o- C9 l8 K5 n0 ~3. pip install pdf-craft
1 _) ~4 E+ {+ b) w3 U5 a3 E( B* ^4. 把下面的内容写到一个文件里，例如 a.py
/ I4 {6 b, U' o* P+ {9 w

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   7 f3 B: O* P. i' G9 V% g
2. 
   
3. extractor = PDFPageExtractor(
   6 a, h% S  B' ]( Q+ a
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ' t, g4 l$ o7 W5 Z. \0 ?
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   1 K" e# R/ A4 F& U% j5 u9 j6 Q% S
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   9 m2 Z0 p. y2 g, }' v6 C, z  v9 M( f
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   9 v: N; t* M9 M7 c
9.     md.write(block)

复制代码

, l( e6 W* b6 C) F' U# w) z' L$ b! Q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
" A2 ~. w& n4 s6 ~  s, T4.2 markdown_path：输出的 markdown 路径文件名
! d3 y# C& y: Y2 [# n4.3 /path/to/pdf/file: 输入的源PDF路径文件名
! B2 {* d) ^) n7 G7 ~) P+ T) Y; |' o1 |
5. 运行 python3 a.py

nanimarcus

" _( u+ |" g2 [* d( W4 t
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。
1 t6 }& |" K" b4 b  m3 ?) `然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
* f( w7 k3 o+ R
deepseek，qwen，chatgpt 三个，deepseek是最好的。
; T. |, k' E+ @) `& |
$ _4 e# {5 I) U6 tdeepseek 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。
1 c9 k- k: L9 F6 J* d我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
& A& O: y% C2 o- K* L% u- U
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。
* Q" @0 s: l( x: ?8 t

三力思

5 e1 j0 v# P1 y) i& w
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
9 U& K" _0 @' s; s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
细说一下，听上去很不错，多谢。

3 n6 t! `9 }# I: [: F  C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

! j9 `) U/ T: Z8 B已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
+ F( W! _5 N: D2 n6 h3 H+ I
1, python + pypdf 按章节拆分小的PDF
5 _; R& ]2 X" T5 V2 l
2 {4 v( n1 z) p5 p+ M2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
! |# p3 z; s9 S! v' a4 b
得到text file
5 y1 w+ {5 P$ t5 @+ J" n
3, python 读取整个outputfile，丢给deepseek 矫正。
+ y& }! m5 L& k7 E4 J& w: g+ a, e
' L7 f% N3 t% B) }6 e; Y! F模型是 deepseek-chat
* H) f- B7 G3 v: E. ^: S
max_tokens 最大是 8192，别的不用改。
7 I. C/ t+ r  M4 B% z: W: z# @
参考：
https://api-docs.deepseek.com/api/create-chat-completion

, K/ e% ~1 o& q! J  ~* b. F: h( f4，费用：
* I5 }) ~: H- ~$ R" h  ?. m
实测：

296K 字母，用了 9 美分。
. A% q$ v" u. O& |* v, ]( i
英文字母 到 token 用量大约 1/3
6 y- O5 e9 Q1 Q- i
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
( n5 W1 \+ i$ Y5 a% f$ U
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。

参考如下可以计算，懒得算了。
" E2 H  Y1 n( h5 u/ \( i
/ O7 P$ c5 r  U. S$ y3 phttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
! H# m/ n: P! a7 A! J: D- E1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
6 F$ j" U1 i& e; t! B3 F2 w
5, Balance
$ S6 y- [7 W6 j& S+ j$ S; q3 ~* T3 E
: P0 `  [) H, {  S! e3 S可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
1 n: e) O2 g: a9 A3 H" dhttps://api-docs.deepseek.com/api/get-user-balance

6, Models
: @: W7 r+ y" n2 i$ r
5 B) p. ]: B, g  w1 L目前就两个
# deepseek-chat
# deepseek-reasoner
: K/ W5 M# N% f. N" s# I
& w5 u  z! f1 f6 \% L7 v6 g" W参考：
https://api-docs.deepseek.com/api/list-models


: L5 q/ _2 n/ ]8 S7, 问题

deepseek 会将前后两段合成一段。
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。

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。
chatgpt也是这样的。