利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

: x/ N1 j# ^, N+ m% @7 Y
# k+ `4 t5 ^" h: e: N) }# N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。
2 s$ J9 A, u2 G: A1 p. C* m' ~我要疯掉了！
# Y& I1 I/ T  g' X- g# x$ v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！
4 ?, N( o) B9 g: S+ m0 S====
中文也很完美。
& ~+ G$ w+ J4 D# `7 D3 V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！
! v" u8 w: j1 R- R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。
====
7 }: q9 J6 u# K- m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。
3 q# ^/ v0 _7 S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。
5 D+ H% M( J! ~====
- D" n, r% ?4 s4 I) J3 X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。
====
好吧，有些东西是不给翻译的，哈哈。
. R  n3 k( Z" m; f
Sorry, that's beyond my current scope. Let’s talk about something else.
4 Z6 z2 |; P. d; s1 c! K====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
3 B; _% g( e" z6 E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。
====
" k+ F, T) \! B; Y- n! n& V时间段的话，北京时间的下午和晚上用比较好。
: @9 U' {' B9 w7 o8 x. M后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
/ k- s! p! x0 l+ \% H用千问吧，非常稳定，非常强大。
0 ^7 a- n  P  x& a' y7 q" Khttps://chat.qwenlm.ai/
====
( J; I5 G: K& h5 p! W- bDeepseek，API 看上去可用了，但是不给充钱。

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
9 j. }+ F2 ]- H' P& Z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
# _! Z! J, z1 j- Q有没有上传整本书试试

8 D1 r& X7 ]+ n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

+ e4 n. O6 |1 C% ~  X
以后让deepseek 读出土的竹简
; v" ?/ a  a/ m) i8 G9 z& `
还有把古文翻译成现代白话
3 z. r, F2 l' q& |
: P' Z2 C) H7 U: Q" l' \3 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？

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？
$ h7 n3 N- H# e$ Z
/ J1 m! {3 Z2 |0 m# e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 ...

1 B) u: E& e  f7 V( ~6 {
3 E7 U9 {5 q6 e1 A+ x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。
3 C% H: S+ s6 u0 ?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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
2 c% u: Z0 N% h, i- g, Z+ \! C请教是如何实现的？
8 I) N( g8 V: |" E& g! e3 ~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 ...

https://chat.qwenlm.ai/
: v0 T9 f* @! }3 g! j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。
- K- A+ `3 I" y. M9 b7 {9 q: Z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。
: W  ]7 @# ?1 b0 c- V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”。
' D) s6 h' ^0 t7 R9 ]
https://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
' x* p* [: E  v/ T) ~, t+ ^2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
  t* C  @4 F( R9 p! U3. pip install pdf-craft
7 Z/ c' y" P7 U8 L2 E! Q  _4. 把下面的内容写到一个文件里，例如 a.py
7 `. l8 {( H" v

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   5 F) [9 }& A# w% B5 I8 \
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
     T7 t7 ~! j" w/ E# v- u* M
6. )
   6 D- J5 m6 \; ?3 \2 h+ m' u
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ' E9 j) z# J* V
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   % W" ^. h3 R+ V6 m
9.     md.write(block)

复制代码

要修改的内容：
9 h  K  G, u; z2 F4.1 /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
. S( K# _% E& H) S6 _; j4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
) N* k7 P8 i' q$ R3 s1 |先写个小程序，把PDF按章节切成小的PDF。
$ a- ^6 b6 U5 L2 m8 V% T- J2 m然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
& V  Q+ B( `! |. }1 S
: u0 ~1 D/ r9 L" A. ideepseek，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。
4 U4 |0 @& m( Z% o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。
2 l. p- U/ u/ I7 k我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
4 D" r; h$ ]2 |; l
% q" L& W: q/ b2 B: F5 W  a/ }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

- P6 w6 b- S* `, W. l6 c) q% r
% K4 F. P; N' o5 {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
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 ...

: L& R* \- f: W* L# N, K细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
- }8 K2 @0 a+ U/ t4 v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

/ ~1 L5 |4 O8 z9 r已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

1, python + pypdf 按章节拆分小的PDF
: q% V- [$ b2 C) {7 ]; A
) U* m( F* s! y$ r( i: S2 V3 Z9 j2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
6 f) u5 L2 Z8 Y- O0 K) |% o5 P
得到text file
5 n& \% S, O% \& e5 t! V
3, python 读取整个outputfile，丢给deepseek 矫正。
& U- j& }% a5 H$ K* r, G
模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

参考：
' r  G  M) K6 W: Shttps://api-docs.deepseek.com/api/create-chat-completion

, {' w! Y" Z! z  r* m7 y2 W4，费用：
) l$ y$ [3 [$ e1 r& Q
实测：
- B5 `/ h) o: ?# s- H. P- Q
296K 字母，用了 9 美分。

& Z; J5 e5 w, ~8 X1 ~英文字母 到 token 用量大约 1/3

tokens: 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。

" s$ v% I( B: N参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
( C4 y" O: }8 j. k( C$ ~2 l3 q
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
$ H8 K: |0 f* p
$ Z8 K' R: D& H5, Balance

0 A" m2 q& u) ~+ R. i+ s可以在程序里调用，知道每次运行结束后，balance还剩多少。
: R1 |8 y" ?& h- M9 N/ J4 x3 s* M参考：
https://api-docs.deepseek.com/api/get-user-balance

" w5 _) q3 n" L& h9 p5 l& `6, Models

" |7 M" l3 j# G目前就两个
# deepseek-chat
# deepseek-reasoner
9 z( E6 Y( ~- g% s
参考：
https://api-docs.deepseek.com/api/list-models


8 g# ?" _) A. S1 ^; I7, 问题

1 l! y  g* k5 w7 tdeepseek 会将前后两段合成一段。
  i$ b% I$ n5 m/ D4 i6 l, D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。
- o( ?9 Y3 V" |% {- r( H
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。
7 g! g( B: `: F0 e* T# O1 {7 P但是API就不会出现这种情况，毕竟我们给钱了。
chatgpt也是这样的。
8 ~; V4 E& D0 h5 u
! C' S. D% t+ Z2 R
9 ^+ [; L) z2 {. A% @( f