利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

, t0 @0 M. j# Y
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。
段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
# J8 t7 B4 x6 j' e8 K3 F; o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！
0 p+ Y: T# Y! a2 W, [====
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。
# V% v7 F( P: Q. U4 K* Z* j8 j====
* U" ~. Q. l( b& J4 k/ S) }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。
' A+ h# Y, I' Z, h3 j+ L====
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。
6 q" v. K* j5 p' P: {) f但是任务多了后，每次翻译的页面数是减少的。
( ?1 x/ F& p8 P+ W- F3 a6 k好吧，我五体投地，继续探索。
====
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。
4 i2 i9 g! r& ~1 d* J====
2 A* s+ i0 z8 A$ [9 E好吧，有些东西是不给翻译的，哈哈。
1 `7 m9 w/ Y5 |5 e7 W) j
0 I  F1 l! K' f- t/ t# o% r$ F  |Sorry, that's beyond my current scope. Let’s talk about something else.
$ }2 I7 F" P$ f* J5 T# j  D. g0 {====
然后我的英文命令也让deepseek 帮我修改，呵呵。
* C2 Y/ [# F2 }3 f- o9 C# k====
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。
- ]- L! M+ a5 C. G$ `6 `: D9 w  n9 A====
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。
4 }+ ~2 p& m) ]0 o4 K9 j2 ~7 E4 Z) T====
* [; ]. l& }6 W2 ^% }6 d用千问吧，非常稳定，非常强大。
" N1 p6 F/ G+ Y9 I0 l6 t( R( Phttps://chat.qwenlm.ai/
/ k2 i* t; W1 M4 i" E* \====
Deepseek，API 看上去可用了，但是不给充钱。

- {4 Q0 Y3 [8 f& v) `2 i9 D
2 D3 @/ V* [+ t& T: h8 u, k  z

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

' X, G% b/ m. P; a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

* K3 ?4 d& ?4 `- Y" b8 P
以后让deepseek 读出土的竹简
* \% j$ U7 q) s0 t5 U
6 N& J. z0 a1 O  r  N还有把古文翻译成现代白话

1 w  n8 {' A: [8 ~8 m0 w1 ^( E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？

* p1 Q9 N9 P7 H2 n7 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？

# o# q1 T/ e$ b; f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 ...

" }' L) }. ^6 v  V* Y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。
文字之类的没问题。估计deepseek现在暂时只保证主要功能。
; T6 E! p6 C! P+ U. u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。
' `3 u! s! K+ O9 G+ L7 E: {

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
* U$ X4 C7 y" Q
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/
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”。
! w0 g0 t; Q, {; Z
5 p3 }- p1 o( H3 W+ dhttps://github.com/oomol-lab/pdf-craft

" O3 x- x/ R, O1. 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
7 E- ^' H) I  p7 i  c, S, T3. pip install pdf-craft
& G6 |* ]# t1 g! E/ }- u1 t& V4. 把下面的内容写到一个文件里，例如 a.py
" Z6 i! T/ ?# ]( c# f2 l3 G) h

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   : C: d5 S- N4 @! _/ G2 s/ s2 ]
3. extractor = PDFPageExtractor(
   ) \0 N7 P/ I! U9 |  U+ D3 K
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   2 L/ w1 R* V& Q! Y4 y
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   " V/ A3 p9 F; k: V" ^+ I! j* G
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   % R' C% u4 S0 e
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   8 m% o4 |. X8 n& Z  E* P
9.     md.write(block)

复制代码

5 {: M: k: Z" Z3 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
+ \* Y! y3 y( P: e4.2 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

% `/ N  p2 G3 T; F  F; Z- t
" _1 M" W8 y- U1 \+ o) f目前为止PDF转纯文字的最佳办法。
" N- ^5 X" W4 `' M- y! p& _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。

deepseek，qwen，chatgpt 三个，deepseek是最好的。

deepseek 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。
我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
0 V, p  H" Y1 Q" F1 t
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。

三力思

' ?0 j  p+ @9 F! O
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
( Y9 |5 c+ c. V0 Q7 c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 ...

7 _/ o/ [/ r1 _; E& U) Y7 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
$ H( b" L3 B% c: W' \3 r& z, C% ?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.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
5 F- i. h% p5 d( t: n
1, python + pypdf 按章节拆分小的PDF

0 I0 m# I  {, U1 E  p3 Z. B2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
2 b( j# J( n0 f
得到text file
* o- C7 b$ n' z$ S* M, ?4 j9 x
; F- `( z! I& d5 {3, python 读取整个outputfile，丢给deepseek 矫正。
, b3 M+ o6 O# n) C1 b8 S) q
模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

+ B, {* l5 m) S, \7 [5 T$ O7 ]参考：
- Q# b5 Y6 _6 D6 i# ]; E9 Bhttps://api-docs.deepseek.com/api/create-chat-completion
4 x7 |7 P4 ^4 _$ y2 N! e* p
4，费用：
* p9 A$ w4 N$ |4 ?/ _, O
实测：
+ {( {' N/ V5 G& E+ }
296K 字母，用了 9 美分。
" B) T, V1 ?/ P% d
* k9 H1 W- @. e7 t英文字母 到 token 用量大约 1/3
+ r+ q1 S" K* B% ]
& X5 q8 e  C8 k! H1 E2 {. gtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

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。
& f3 W& L9 z# a! i/ s
参考如下可以计算，懒得算了。
2 ^* r7 \7 E" G1 ?4 G! I% y9 v
https://api-docs.deepseek.com/quick_start/pricing
& Q) }* E1 J: b
; W9 e+ t; Q  n1 I. b1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
2 p" k4 Q7 Q- z; }1 ^' n1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
: {/ z1 R5 _3 R" V
& G' |- e1 o' E/ w5, Balance

5 K4 O0 i8 b: 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：
! g5 t1 V  E/ J7 `) e0 ~6 Phttps://api-docs.deepseek.com/api/get-user-balance

6, Models
2 t. p# E& x) P5 g3 U! D6 s
9 p/ n, T1 U$ P/ T8 q) p目前就两个
7 ?. y) N  z9 W$ \' X: P; `# deepseek-chat
& \0 l% A) [* p7 y9 e! P$ V; P* q# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models
( j( n; R5 o, o( p* l# o
+ s, x  U: T; `2 K4 g8 t
# A) x  z. d7 e% s; T/ l& c' [+ s( F7, 问题

" }, b" P( O* mdeepseek 会将前后两段合成一段。
  P/ z9 x% d- p: a" o' [特别是那种大量的对话的段落，deepseek会给你合成一大段。

1 u1 R, e7 l% U! E  u8, 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。
2 i; O* ?* C: c1 u/ ]$ Nchatgpt也是这样的。


7 z) v  r6 j3 v8 J. ?* W1 h. V& E