利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

& h* ?0 y4 X& h+ w3 o5 m
; g# @1 j/ H  J$ l. k+ B4 |1 v2 |8 N把PDF上传，然后让他抓取文字，并修改可能的错误。
) N: ~3 r* V& h( p7 }, ?3 g然后deepseek完美的完成了任务。
" U% b6 j8 U- Q- z: Y% K段落清楚，列清楚，页眉页脚全部去掉。
& S9 _# b9 l8 f* ^9 R4 m我要疯掉了！
, T' y6 y- _% R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！
====
- [, H9 z- o: r7 t0 ~% o3 m2 e中文也很完美。
$ I+ w! c( ]# R# x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。
! A) j- U" f, j( N2 M% Z* V====
第二次疯掉了！
8 Y) `2 s9 U. V' y" Y2 P9 o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。
====
9 M+ d& l$ {- M2 G5 ]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。
; P  a% t; V: E但是任务多了后，每次翻译的页面数是减少的。
; D& A2 ^" _8 y- c好吧，我五体投地，继续探索。
====
* R0 H/ j( _$ o; P2 A1 c  q- X. J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 p) O- [3 P# D====
好吧，有些东西是不给翻译的，哈哈。

8 |) d4 l+ q6 q( m/ wSorry, that's beyond my current scope. Let’s talk about something else.
====
8 }2 Y; M4 T- s3 m/ G, o然后我的英文命令也让deepseek 帮我修改，呵呵。
* _6 g! L$ @- \====
& C2 i- v) Z! ~# v* y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。
====
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。
0 O  E9 Y% Z* {1 \8 m. I# C: k, l9 t" _4 o====
用千问吧，非常稳定，非常强大。
+ u# c. Y. D! s4 phttps://chat.qwenlm.ai/
. I2 F: g" }( N) C+ }+ ^$ z1 W, m====
Deepseek，API 看上去可用了，但是不给充钱。
6 i; v$ ], m3 F: ]- v
# a; V6 J" p$ x* ^6 b$ z) H9 `( u

: q: Q( _* D- x% d: f+ R$ m

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
# F" D/ r' h9 ?  x: _! I0 F这功能很赞呀

' y/ |2 p3 B( P+ f$ D$ H  M6 ~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

' O9 R6 M* E7 r7 o& N* }! h
! P+ F, R* `" W# ~4 ]9 r以后让deepseek 读出土的竹简

还有把古文翻译成现代白话

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
5 p( x* Q2 B" l) a% n) k8 m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 ...

3 }" w" p4 N# E1 L9 O
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。
+ [/ p3 R7 Y0 f  q6 [* a

nanimarcus

方恨少 发表于 2025-2-3 01:23
, G' j5 S. g4 S5 `5 a" P( O4 H请教是如何实现的？
1 \; ]/ q1 G; E( M7 B
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 ...

) @" {" y! g! Y( ?https://chat.qwenlm.ai/
  g, i& N5 ~9 o, \& s7 \" d3 o试一下千问，估计美国人没有攻击他，所以资源敞开用。
, n0 j) W. ?2 ]2 A很稳定，质量不错，好像最多一次处理15页。
$ D: Q$ Q) S/ L1 L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。
' |' g' x7 e3 g( ^6 k7 M1 B7 O8 K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。
3 C% u) }' U' q# V' O+ [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”。
9 x3 [* }- N) `: E) @; m
- }# G) ]/ A) B2 @" @: Ihttps://github.com/oomol-lab/pdf-craft
3 d$ B3 \( [7 v
9 _+ o) a0 q$ k+ 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
4 m* ^9 }, O& @/ `  k  Q" e, c# {3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

/ @. \  C  R% u2 `( s

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
   : b  Z" q. d& Q
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   * f+ t5 t6 ~/ M1 f1 j( W6 v
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

; E1 d+ E7 M9 d5 _+ U9 |0 S
5 G  k% F' b$ `( \要修改的内容：
' g( c6 }" F4 k. B# T: @6 L4.1 /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
5 `$ D: a0 n* q: }+ B4.2 markdown_path：输出的 markdown 路径文件名
/ z: z1 P& Y9 Z+ [$ v/ p$ c4.3 /path/to/pdf/file: 输入的源PDF路径文件名

" @; s% }* T/ f. j4 K( F' y5. 运行 python3 a.py

nanimarcus

' E7 o+ ]0 v# b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。
; A8 ^) Y) ^6 R4 e2 F3 h. s
0 l0 O9 d5 L8 l, Jdeepseek，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。
- F' U' M; C2 @" Y; [3 }我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
5 d# `; p3 s, I" e# H9 O$ u# P
% ?9 o* p) ]/ I; Z* K% OAPI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

6 D" M: ^- A+ H8 P* S
0 V) a2 `4 B8 j0 v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
* t% a$ h3 f1 h7 `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 ...

( q2 `5 i# l( l) o% }$ H8 @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。

' u: f. h- Z1 G7 A) E. o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

) ~, J% k8 l5 Q, B2 s
9 z6 }1 q/ D8 g* ]( H) u已经搞定.
6 `5 i- p2 X& `) `1 O# \7 f
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

1 H" D- `7 D0 e1, python + pypdf 按章节拆分小的PDF

9 E" i4 ^4 s/ ~* [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。
3 U3 h- ^$ z4 f& S0 k+ R- C# a
) [0 o  X, U" W2 t, @  q模型是 deepseek-chat

) u4 w6 D( O7 S2 j# o4 Qmax_tokens 最大是 8192，别的不用改。
9 X8 n# u& L3 p3 z; F- o; ]* ?8 u
参考：
, h% S) A( ^' Q( Y  Yhttps://api-docs.deepseek.com/api/create-chat-completion

% J7 q3 r8 i9 u% I0 e6 v2 y4，费用：
, D% O4 V2 f& ]! _# Y
实测：

. T. q/ J9 |8 N  t2 W# m9 |: t296K 字母，用了 9 美分。
( _; u7 }9 N% o) x+ c
( o- n$ ~9 Q$ Z: M英文字母 到 token 用量大约 1/3
" ~& k5 P4 i0 y
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
, h! j. D: p# k, w6 N
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。

3 h5 ?+ H- X. h/ ~: M参考如下可以计算，懒得算了。
8 x6 F) N6 {) a$ c7 O! T+ t7 f
https://api-docs.deepseek.com/quick_start/pricing
4 B" j2 M) ?+ O+ ~
& m0 y; ?" m: D9 K1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
% q+ w( Q: }' G+ |1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

7 x% D( e% d- C- H5, Balance

% Q9 j0 |7 H8 Y4 c$ {7 d  p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

6, Models
) o9 l* f9 Y( q7 g  B: E
! K: O5 i- ^) s( T* K  M" ?目前就两个
$ C8 ^! s- V; K& e8 d* H# deepseek-chat
- S8 n- T  _6 `; X4 x# deepseek-reasoner
1 C; `3 f5 C6 C5 h! J
: X/ W2 ~% X( E- u$ Q2 w3 q; y参考：
' c0 [* G& \5 W! ?https://api-docs.deepseek.com/api/list-models

3 T  ]" b5 y: W- N* J$ ^( ^7 F2 f
7, 问题

" i; Z+ r+ d7 q0 I! ?/ d* |/ _6 adeepseek 会将前后两段合成一段。
9 \. q" |% y; I5 [特别是那种大量的对话的段落，deepseek会给你合成一大段。
+ W. `6 _& z9 y4 ^" y- \
/ Z, T9 N4 D2 u. \1 a6 ]8, 钱说了算。
. K+ a4 ], n9 |" v7 j6 i
. x6 |' y* w; \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 p) I" Q5 [$ \  }* Qchatgpt也是这样的。
9 U: ^5 g% r" r3 V% Q1 I( g7 n9 O/ e