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。
0 h' |, _8 ^% Z' K! J! g然后deepseek完美的完成了任务。
4 Z/ s) h# w; w* _- O# d" a段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
7 [3 @% w: ]9 C% l2 g( l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。
. P# M8 l0 Y- f: }+ \/ F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。
====
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。
( v; D) m! x$ c7 q; k====
$ T2 w' O! d, q4 _7 ?5 q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。
====
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。
3 U) V4 b  ]( S- l* B4 |3 e====
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.
. ]6 b1 x0 n' [. w; w9 t2 z$ S/ j! n% n====
9 R$ A$ y0 V' i, @$ u/ i然后我的英文命令也让deepseek 帮我修改，呵呵。
====
! l+ b" \9 B# E0 l: [# ]6 t- t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。
" m8 p) B. m' j====
1 N4 ]# V! ~" N: e. I4 Q时间段的话，北京时间的下午和晚上用比较好。
4 O, ]' T+ m& [7 Q9 ~后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
, H. @2 @5 H6 y( r$ i/ X====
用千问吧，非常稳定，非常强大。
/ S+ G# {" z: ]% L2 Ahttps://chat.qwenlm.ai/
( P4 h2 g: x1 k2 |. i! R====
( `  V8 U; L; c3 c' d- dDeepseek，API 看上去可用了，但是不给充钱。
* V+ K0 s2 {5 w7 j) R
8 g0 u3 C& g0 |% _

7 I; ?; G& |: b) ?

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

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

$ c. t: x0 t( Y1 T
以后让deepseek 读出土的竹简
$ B% a& e* v: h6 l9 ?. w4 }
) ?/ a1 f* U3 K6 A7 c$ w还有把古文翻译成现代白话
; G. k0 ]8 \! }# T  O
1 G3 v) G# @6 D/ `1 I7 K4 f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？
6 h' Z! C: N- {. \$ ]; O3 V
8 ]  i; s4 H# V4 W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
4 t* K( d( }/ f; |# r1 R. E请教是如何实现的？

2 t/ j$ W: {5 n% P3 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 ...

( D6 s* P6 ^* k  H$ |
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。
( A* ^: f4 S. n) j+ @' [$ ?7 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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
% X8 R& y  Y% t
: a$ x) }" x: s* w! ?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 u% G1 S. l6 S; r4 s' fhttps://chat.qwenlm.ai/
) ^1 C& J1 z; k) k8 Z, M1 l/ D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。
+ h* c  {9 t- N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”。

. J3 i' p: a- }) nhttps://github.com/oomol-lab/pdf-craft
5 B: k4 A: g! A
! {9 l$ C8 d- W- U; @; g; c5 z2 n1. 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
. ^/ N5 ~4 _' a6 g% \( `: X3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
: |1 D; a% w9 s) m# v9 L

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
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
   ; K6 B$ Q$ H8 e+ ^) _
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

8 j1 v- z. e5 _& x8 k$ k% C# [
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
4.2 markdown_path：输出的 markdown 路径文件名
, h4 v( O& ~; b3 i6 Q$ p4.3 /path/to/pdf/file: 输入的源PDF路径文件名
6 d0 p( L$ g$ Q
* e3 M# Q7 J4 F4 L: g; U) l; z5. 运行 python3 a.py

nanimarcus

( A+ X, u: H0 m" F目前为止PDF转纯文字的最佳办法。
4 u, Y  d  ?# \! l先写个小程序，把PDF按章节切成小的PDF。
$ N3 b* D0 @6 }( T4 t6 @然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

! }5 b9 v4 R" M/ a* j! _, b1 Vdeepseek，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。
, S2 z7 N6 z# G: Z7 {0 e% x0 K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 a) o5 J8 z0 w' w1 N我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

API到目前为止，差强人意，不如网页版本修得干净。

) b! Z7 C& L$ p  zdeepseek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
2 h' s8 X8 M) k% D- i: J; e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。

. d! h5 a* v1 ?0 t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

; v  T* a) P( Y/ t0 }+ `2 G
1 m% D% W, _! s& j( ]! \; L已经搞定.

, e( ]2 f1 U4 F首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
, Z9 _7 y& N: x5 v' R0 Z7 B. ~. {
4 g4 e( Z0 f6 m( r  R4 x7 q1, python + pypdf 按章节拆分小的PDF

) Z" W4 R  t; ^2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
  i5 s+ v' s3 e& T8 b% v
6 U& s# y) P6 D5 X得到text file
  O, Y" Y8 }- F4 H+ {' J- O% k3 H
3, python 读取整个outputfile，丢给deepseek 矫正。

/ S7 h4 n1 z' }* L: z7 Q" L模型是 deepseek-chat

: _: t6 s6 m; c, ?" N, k9 gmax_tokens 最大是 8192，别的不用改。

5 R5 Y: i# _5 i, u/ F参考：
: \0 B0 x  P2 ^1 b6 Fhttps://api-docs.deepseek.com/api/create-chat-completion
- R. y, o- U6 N3 u# n) G
* m6 Z, ]  S, r4，费用：
3 R" Q5 n8 N/ j
0 u' F/ q0 `3 W实测：

296K 字母，用了 9 美分。
% l. y( j2 F9 M
英文字母 到 token 用量大约 1/3
. K: ^- P: Y7 p2 ?
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
. g" {# k0 L% J
32899 个字母花费 11782 tokens，包含输入输出的 tokens
: o, ^8 `8 {$ T" y  O0 w1 X
价钱，非常非常便宜了。

! V1 r- m" J8 _- Z2 v7 s. x参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
# D4 J; ?" M1 F5 O/ y
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
7 Y1 ]$ P) c# k; G$ m4 F% N1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
% l  C% ?, x) ?. `/ N
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

# x/ Z% X; t; H: M- B6, Models
$ F: V3 p# B: Q: d6 W
目前就两个
# deepseek-chat
# deepseek-reasoner

( J2 W5 G) U4 O2 B参考：
8 F: O$ |! N6 s" ohttps://api-docs.deepseek.com/api/list-models
4 P4 c: Y4 U: r2 y% l: S' A  k
7 R0 R+ O; T! x
7, 问题

deepseek 会将前后两段合成一段。
' b$ Y1 R- D1 E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。
8 X0 j$ q% V. `( c, b但是API就不会出现这种情况，毕竟我们给钱了。
+ V+ n% l0 p+ x1 S8 echatgpt也是这样的。