利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

把PDF上传，然后让他抓取文字，并修改可能的错误。
  C; |( W7 a8 H* M然后deepseek完美的完成了任务。
$ a4 T; y# z$ s3 @+ I8 v  R/ k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！
====
中文也很完美。
5 a" V. X" Y! e经验值，每次十页比较稳定。
' z7 t+ f# X% I现在我这里API还不能用，等恢复了，全自动了。
====
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。
====
1 b0 P; t2 \* s- o$ x7 H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。
+ s( x: Q) {' A+ e0 J2 F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。
====
  O3 z0 Q, A2 C1 X  k# u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。
9 z! ?  |& _: j  X: N; A====
1 e. u& j" u1 k好吧，有些东西是不给翻译的，哈哈。
" K4 ], B# F; K+ Q
Sorry, that's beyond my current scope. Let’s talk about something else.
' h! c- W5 U, b: q7 ?2 |====
然后我的英文命令也让deepseek 帮我修改，呵呵。
6 S# U! M; ~7 X. E% _9 V====
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。
' Z5 W7 K* d0 c' y: u* C; f$ Z====
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。
====
用千问吧，非常稳定，非常强大。
& P2 Y' A* ^5 @' F: v9 Nhttps://chat.qwenlm.ai/
( M- {' n5 R( Y0 [6 T% w& A, G====
Deepseek，API 看上去可用了，但是不给充钱。
6 ^3 v! p, r, P4 o6 ]

4 u) q( c' v2 ^- s5 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

4 O& Y: f/ }2 u/ o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
5 ^5 T4 [7 p1 e" B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

% y2 z2 T% p* w( M  G. N以后让deepseek 读出土的竹简
4 O, d' U0 _+ B* \4 X3 \  ^' v. M, S! ]
还有把古文翻译成现代白话
$ ?2 e% ~$ Q" f4 F0 g' h: Z
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？

% E. n4 Y& |  N5 |) ~3 ^( ?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
) O, H8 j# z, ~% U请教是如何实现的？

& O" B: N/ Z7 @* [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 ...

- [# v6 P/ Z* d/ _
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。
& X8 D: @% w8 j$ i, ?9 H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。
7 u( e' ^) k. f8 g4 Q

nanimarcus

方恨少 发表于 2025-2-3 01:23
8 d5 [% G/ L3 e; c+ |2 L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 ...

https://chat.qwenlm.ai/
: r. Z/ B1 y0 ~  ~4 i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。
) W, K3 c( n# @  n- i( R# @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
: \  a  r0 Z8 S# a3 r# M. j& c- _# r
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
" n, m- m% D  l- ?3. pip install pdf-craft
' ?% O7 e' z% F  f! B( X* g( {4. 把下面的内容写到一个文件里，例如 a.py
/ |9 T9 F6 v6 H- w! z
% }. h- }/ [' n9 F# |( N

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   5 Z" [4 x( `3 a
2. 
   / U* q  x4 C% Y
3. extractor = PDFPageExtractor(
   5 p: i7 {9 F5 Z" E
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
   " h, m9 R; s4 v! s$ M) }
6. )
   5 V9 E+ t! _6 I5 z4 f+ W
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

3 I2 S8 \8 p4 ~% @+ k5 m$ S
要修改的内容：
! @$ p, b7 n) I' v) V9 E- L0 o4.1 /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 n: [7 d# e* v! E- Y; F. `  {% o3 r4.2 markdown_path：输出的 markdown 路径文件名
3 E* j9 [2 J7 y6 t4.3 /path/to/pdf/file: 输入的源PDF路径文件名
' T- n) I$ v; J  W
5. 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。
然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
0 p1 X' z& @) O% E& K# O效果非常好。

; }% G* h8 r3 Bdeepseek，qwen，chatgpt 三个，deepseek是最好的。

. R8 t0 K/ b' y+ f) q/ k: Xdeepseek 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。
" n0 Z$ M: H$ K! @" I0 A$ w$ M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。
我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
/ W  [% E$ Z3 z4 j. ^
8 y' i! r- s/ O  G) \& jAPI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。
3 X! q* ~6 F+ M) Y

三力思

5 h. |1 ]% @: f+ c& p, c6 g
  _3 A& B( F7 n3 `- 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

nanimarcus

三力思 发表于 2025-4-17 12:26
7 _5 k1 W1 n$ k3 x2 T) q* 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 p6 P  ?4 ?" o- R) x% g细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
0 S) T4 i  `! |! E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

6 c6 q; z8 S" }: b; m$ S: ?+ v
1 E, V& ^. D/ j: y5 B已经搞定.
% d" u$ {7 F" ~/ c7 e7 q2 x1 }4 X
2 F! L: a- s! c首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

4 [) \0 h2 p# i# H1 M1, python + pypdf 按章节拆分小的PDF
, d5 n# p4 s9 C9 x; X8 t# X; Q6 A. Q
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。

4 I4 G$ G( A' C( V0 a: U模型是 deepseek-chat
) j1 M/ X- B* `
7 |# w1 d) D  I& r" i; s9 V, ?# B/ Fmax_tokens 最大是 8192，别的不用改。
* e) h" O0 O& W- s3 d8 x
6 p7 Q5 Q! n7 {% s6 v9 {6 x参考：
https://api-docs.deepseek.com/api/create-chat-completion
$ s# s+ i' {4 o  i. a( V
4，费用：
; h7 |% v/ {! D' T) [+ q0 X
6 t* G& a. U* a7 K8 u9 |实测：

296K 字母，用了 9 美分。

; [( c/ }! c$ ~/ ]: h/ W英文字母 到 token 用量大约 1/3

4 }5 W9 E+ S5 xtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
& v' J9 F' `5 ]/ ]
; X& D, s( Q4 h/ [: l32899 个字母花费 11782 tokens，包含输入输出的 tokens
1 y3 s3 N4 K8 }3 q* r" O) W
, r* ~5 ]4 J7 e- b% g. D价钱，非常非常便宜了。

参考如下可以计算，懒得算了。

) L2 h2 g7 O* ihttps://api-docs.deepseek.com/quick_start/pricing
& v* W/ y: E1 ^% |9 j9 W9 t& q
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
- q: \" ?/ _6 ?$ O! `1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
9 S/ N+ x& \0 X, l+ l5 n1M TOKENS OUTPUT(5)                                              $1.10                $2.19
# B7 f& Q% T6 q6 [& m
5, Balance

3 Y! Q$ R+ F$ J' z$ z+ c" {可以在程序里调用，知道每次运行结束后，balance还剩多少。
* B$ I/ h3 o9 ~/ F参考：
: X9 [7 @& t6 v7 u) R0 `$ `3 X; Thttps://api-docs.deepseek.com/api/get-user-balance
. y! C1 g6 R% m' x5 v( p# |
4 A9 Z0 n  \- ^" U, f# E6 y: A6, Models
1 T+ @) ~6 Y' @- z
目前就两个
# deepseek-chat
, E; @! I# y3 H# deepseek-reasoner
* H5 E; ^8 ?* p  Y" c+ n' i. H, y- e
参考：
https://api-docs.deepseek.com/api/list-models
2 ^% b" ?( J9 n, A; Q: F

7, 问题

deepseek 会将前后两段合成一段。
5 l/ U  `1 a! |7 t# [/ J特别是那种大量的对话的段落，deepseek会给你合成一大段。
. u- L" Y- l7 a# [
& u0 V2 s" ]; g$ {: I* O/ ?8, 钱说了算。

9 _& a  ~% t- `1 Ldeepseek 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。
1 S) @6 t; W1 E# g0 z" Jchatgpt也是这样的。
0 v4 I: Y# M# J0 f4 k) {2 h( @

* K' M, ^# @$ y4 H7 e* Q% v$ v& @