利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

2 a; T2 w# F4 j
$ j, j# ]% N% ]把PDF上传，然后让他抓取文字，并修改可能的错误。
/ X" z! L) q! I) m  i0 R# ^然后deepseek完美的完成了任务。
* o) \- n* D4 }段落清楚，列清楚，页眉页脚全部去掉。
" s8 \- Y8 \5 ?2 e4 W( B我要疯掉了！
7 f. t% X$ Q9 }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！
3 }0 p' G& U; l( q+ I====
* ?2 n7 O) |: Y9 `) `: f: H中文也很完美。
经验值，每次十页比较稳定。
( @+ G3 k9 @1 N3 }' v1 @' z现在我这里API还不能用，等恢复了，全自动了。
) s' `# E  \, [5 K4 K& U' u: P====
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。
====
2 w  Z4 W, f2 {# 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。
) z- G7 z) g' g& m  U% V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。
$ i! R8 P: s4 V. j5 w====
* ^9 L5 R2 D) P3 U3 M  x% a' f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。
/ H5 \+ I4 y4 b) i4 O====
0 m% o/ T. t, T2 r好吧，有些东西是不给翻译的，哈哈。
( I# Z9 k4 P0 ^7 J2 N
Sorry, that's beyond my current scope. Let’s talk about something else.
====
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。
====
: F0 z, o  w' [. i! [: V5 T时间段的话，北京时间的下午和晚上用比较好。
9 B$ B# m9 i4 Q$ c, P后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
5 I% B1 A, E; d* i' y* Q====
用千问吧，非常稳定，非常强大。
& u- D) m& k# b5 \https://chat.qwenlm.ai/
( x6 T( Z5 h! Q* u. |6 [3 b. ]0 A. g====
Deepseek，API 看上去可用了，但是不给充钱。
8 K! u, {' s9 B9 T

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
1 T0 ]  p" c2 q9 s这功能很赞呀

4 `2 F0 P2 F# T4 H3 v% U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

1 E$ D5 b, u5 K- c( h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

以后让deepseek 读出土的竹简
3 c' v- }  [, f6 M# u( f1 V
6 f# Q- A4 U3 J( l; {还有把古文翻译成现代白话

( A% B3 ~! \- v' x( J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？
4 d8 y  n' B1 A' v( q0 \! `
% B, k2 B8 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 ...

0 j1 A7 D% l; p1 W& q7 `
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。
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。
& M- }& f6 |; [' R0 r9 D

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
3 Q) y$ O' D2 e& h& p+ C
" I9 w/ Z( A7 J8 f* A* S8 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 ...

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。
* H" H* A# u* s' B4 W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。
! O) G( {1 m/ X: @7 j; w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”。
6 s3 L1 o2 {" L* c( }/ j
https://github.com/oomol-lab/pdf-craft
" k% n" \2 k$ j2 v) h
0 F  Q4 ?" \& Y1. 这个工具要求装 python3.10
& b9 [  Z5 y3 H2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
. G) {: y$ `# r" g6 I, L" E3. pip install pdf-craft
6 y0 Z' u3 w4 d; N$ d( X8 U, N4. 把下面的内容写到一个文件里，例如 a.py

( ?! S/ X7 j$ f5 h  _& `

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ; G1 C# c1 m7 b9 S: X
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   0 M8 S% {) [3 C/ y7 g
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   : d& G/ Q( H* }% i
6. )
   ) ], R/ V  j( ]. T  O( j1 o
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   , r* @- R% @5 E2 m# o
9.     md.write(block)

复制代码

2 M+ Q6 {- X( W" P
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
4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

( F3 r+ y8 v2 \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。
效果非常好。

  K( Z- j$ d- ]) z- A( Kdeepseek，qwen，chatgpt 三个，deepseek是最好的。
" r  ^! `. K6 n
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。
' ]! x& [0 c, U! E8 q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。
  g; T% h  ^% }! n9 ^' u1 p7 ^我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
) r5 G9 @; p" u3 c0 a3 ~
API到目前为止，差强人意，不如网页版本修得干净。
6 l4 ]8 ~( E% N: J
: u& F; k. T5 F- S; ~1 x, Ndeepseek可以同时开四个。

三力思

& o! r9 w4 z5 h  ^
( h( j) c% I) q1 d( R6 u+ H/ x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
& H2 Z, k4 J0 J# X$ u7 U% j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 ...

% C8 r, M& c" z' Q细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
( S4 w* J/ Y: p" k( h8 U7 p细说一下，听上去很不错，多谢。

- g  K7 [+ ^/ ?( F4 U  k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.

; H4 }5 A1 {, q  n, v& g首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

1 ^0 X* \$ M/ {9 ]! G1, python + pypdf 按章节拆分小的PDF
- O3 G! J: _& a: x: d; ~* z
9 q/ I& R" u0 F3 b+ P! a% n2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
" J) d3 ~  ~" j
+ ~! P( H9 T6 q4 R& E& D得到text file
4 k( z; u# G$ L5 d
3, python 读取整个outputfile，丢给deepseek 矫正。

+ l* F! c: V7 P3 j模型是 deepseek-chat

& b( j' F) Q, p: s5 N/ imax_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion
2 B6 u, g& I+ _7 J
! o4 U6 j+ T9 d$ g4，费用：

1 D$ ]% J/ Y2 B$ b' v' U$ M; O实测：
- I* N& X; h+ W
8 d, ?5 X+ M, M- ~6 ]& m# x0 o$ J6 Y296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

+ J8 Y2 `1 \% g1 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
. r' q9 a) l) A2 H" ]
, r7 `* \  H: [5 E价钱，非常非常便宜了。

! d$ [# X$ g" p% w7 ^参考如下可以计算，懒得算了。
  O( A5 n* Q" f( k
, k, x. s6 A5 J) Fhttps://api-docs.deepseek.com/quick_start/pricing
# {) m" y: }* a$ p# E- ^
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
3 G* h' p4 T) q# [1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
6 {2 Z- s- A" D* j* F1M TOKENS OUTPUT(5)                                              $1.10                $2.19

, {1 K$ S8 o. s& b2 j5, Balance
& b. o2 X8 O; \
可以在程序里调用，知道每次运行结束后，balance还剩多少。
/ J* x8 r! n" b& G  ^参考：
- ]: N! l: `3 {3 V6 i7 }6 m/ lhttps://api-docs.deepseek.com/api/get-user-balance

6, Models
0 {" m. e5 @# u) L
( J% Q7 S) d% }2 F4 L& b% z目前就两个
# deepseek-chat
3 V  Z0 L# N; |# x# deepseek-reasoner
" W& q/ ^/ Y# {4 ]: g. y! v4 }$ q& m
3 F; r$ V2 S& v  v" p9 O# Y参考：
4 z2 m) r( {) X. k! W$ vhttps://api-docs.deepseek.com/api/list-models

5 J. J$ p' K( b
7, 问题
  H  B  H. n$ z+ K+ x
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。
, g/ c. Z$ \' [1 \2 I+ w+ |) w
; I8 }3 D1 u: J  n& D  d8, 钱说了算。

0 }3 [* j, h3 Y0 U' _) @2 qdeepseek 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 ~1 q: R+ G5 V9 x, U5 }7 kchatgpt也是这样的。

! X0 D1 m6 P4 e) B: F7 k6 M1 c