利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

. X9 F3 b+ _( Z6 c5 S* w  T- B
; D& k0 H) u: k1 Z( j把PDF上传，然后让他抓取文字，并修改可能的错误。
) `- z; h9 k4 G2 k& r4 G, H然后deepseek完美的完成了任务。
& f" {1 [7 z2 D9 _2 p& V0 M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！
====
, R$ {3 L8 f& d, ?中文也很完美。
经验值，每次十页比较稳定。
+ L( b7 V/ q  j5 v5 A! |( N+ p0 v- Z8 H现在我这里API还不能用，等恢复了，全自动了。
. u0 V1 W5 k% a# S9 y3 X1 O====
第二次疯掉了！
6 \5 o+ @; K# t4 [- W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。
5 V5 G: N; p' I1 X- K3 r2 h. P====
4 k" L5 z" t3 c7 d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。
9 g& B; ~, j9 t- R/ T+ _8 |====
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。
====
+ W6 e8 ?% l0 D好吧，有些东西是不给翻译的，哈哈。

: e" ]9 }; e9 v2 Q0 ASorry, that's beyond my current scope. Let’s talk about something else.
, ^4 J! }2 M# S$ J) a! d8 h: g====
0 F8 R0 @$ P, k9 e) \: W然后我的英文命令也让deepseek 帮我修改，呵呵。
+ G& J, W" T7 q: m====
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。
7 O" o% S% t. W5 b# L6 E7 U====
时间段的话，北京时间的下午和晚上用比较好。
/ I  x3 e8 Q4 X- v后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
& b. I% `5 u& \2 O, w" v/ v7 G; K====
) n# B% ~$ C, G* U/ Z1 W用千问吧，非常稳定，非常强大。
! s6 {% ~6 x( s1 J# ?' o3 H" _2 ohttps://chat.qwenlm.ai/
' l5 a3 x* g3 o9 M1 I/ E====
% M4 x  J" }6 |0 L* N6 R  zDeepseek，API 看上去可用了，但是不给充钱。


8 d7 _, q. p* `) X
# n8 Q: Y* L' {9 \' o

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
+ C# C8 q8 V# @7 E: P. j3 z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

! V' B4 r, T9 P. C以后让deepseek 读出土的竹简
0 R1 ~) ?% L0 ]4 k& x7 `  |" L
/ B6 v7 _$ V0 j  Q还有把古文翻译成现代白话
9 }; y+ V7 Y1 v% V- N
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？
5 D, F0 _! M" s( Y. L
4 H1 A; o  y/ x. F, s+ Q9 a- P4 T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？
* h" {& y2 D$ n3 j) d% e2 `# M
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。
: w+ ?" U4 J2 ]文字之类的没问题。估计deepseek现在暂时只保证主要功能。
  {( W* I' m4 n* }0 M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。
+ r3 b; z: l/ {4 `2 |

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
9 U- T7 Q0 u! C" n
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 ...

- I6 ^6 l% U- Q8 p0 Thttps://chat.qwenlm.ai/
( M+ `1 ^( k# {5 |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。
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”。
2 W9 ~3 u0 w" m0 j+ ]% |
; m: U- ?# Y) F& i0 Jhttps://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
0 T+ z9 f& q5 ?% i8 u* F$ @3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
* g9 c7 K8 ]# Z, ~

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   ; x6 {+ J  j( Y& W/ H1 O, `& I
3. extractor = PDFPageExtractor(
   / H4 Z4 J6 U9 e* u% k7 [2 T  `7 F
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   2 G8 @' k( u" ?1 `; m( o) ]
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"):
   
9.     md.write(block)

复制代码

要修改的内容：
6 p( V3 w8 h% E9 L) C4.1 /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
. y6 q6 ~$ U! q4.2 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

5. 运行 python3 a.py

nanimarcus

- R5 H6 U# c* V9 o; ?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。
然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
0 v, B# u1 w6 p9 t3 q& U8 j& i4 g效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
3 s$ c3 ~. J1 j1 k/ ~3 l8 {2 K
0 J$ U( O7 b9 Pdeepseek 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。
8 }" b8 P2 y7 s3 A& U3 b我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

) e% c/ [1 q' c! DAPI到目前为止，差强人意，不如网页版本修得干净。
* J( F9 n6 s8 l& R
deepseek可以同时开四个。

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 ...

, x" B& {2 d8 G) [3 D; l4 m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。

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

已经搞定.
  p1 O7 k3 j. g* V; x
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

  C! T& y2 T6 W: e( s4 p1, python + pypdf 按章节拆分小的PDF

6 R0 G# G: L' {8 K) _1 R, X2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file
5 B% [: x& }( {/ e$ }
% ?/ }, F9 e, r/ Y+ Z$ P# t: x3, python 读取整个outputfile，丢给deepseek 矫正。

1 P1 |  v$ {6 J模型是 deepseek-chat
  v5 ?  o, [3 X) K- [+ _
# W5 \- H3 ?/ g7 e" ymax_tokens 最大是 8192，别的不用改。

, a& b- O2 v- j% |! E参考：
" A: n$ k6 G" N7 f7 |- C) I+ Lhttps://api-docs.deepseek.com/api/create-chat-completion
; j. B2 d: x( `7 R% \( s" _
, V. h. ^6 G# C. k1 R4，费用：

, I- ?& l* D- M" d实测：

% K  C. D, C4 L3 @296K 字母，用了 9 美分。
! y# o  ]+ s7 d4 r2 P  i& l0 g
英文字母 到 token 用量大约 1/3
( `6 Q/ r9 T  j- V2 x$ q
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

# l- t) F7 b8 l! x32899 个字母花费 11782 tokens，包含输入输出的 tokens
% u# {! W0 D+ f
价钱，非常非常便宜了。

参考如下可以计算，懒得算了。

; q9 ?* r, j6 Y$ Y; |https://api-docs.deepseek.com/quick_start/pricing
2 x5 i. t$ ~2 l- v4 K' p
3 L% E* i6 O! ]2 a. ^1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
% C' s4 o1 f8 a+ ]6 ~' i" J1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
5 F/ F  Q' T1 i; s# G
4 b5 ~2 K* Z9 N8 E5, Balance

: m9 L9 }; @( D$ j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
+ h4 M. x) T7 _+ p8 Q/ I: ?
6, Models
, l1 q/ v! I8 @- ?
目前就两个
, H' g- ]$ F! `- a8 n# deepseek-chat
' I1 T: g5 V8 G5 B# deepseek-reasoner
; C" w0 e- J8 S+ ]/ _  H; S/ ?
参考：
( K3 c* m: v0 Y+ X& E2 Ehttps://api-docs.deepseek.com/api/list-models
$ E7 `) B& g) Q
5 q4 b; S! ^- y
7, 问题

6 @: `9 V" ?$ p5 U. wdeepseek 会将前后两段合成一段。
/ u. A) D/ h# q! o3 O4 h( T* f特别是那种大量的对话的段落，deepseek会给你合成一大段。

: L! e9 [  P6 g4 t3 b8, 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。
0 ]+ U3 Z- r, x7 M