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。
: a) `, p, s1 p* C然后deepseek完美的完成了任务。
4 I8 O1 ]0 E5 B# V7 @/ ^段落清楚，列清楚，页眉页脚全部去掉。
1 W/ t& J. [/ E$ S- E# F/ v我要疯掉了！
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！
# c( [  r1 z, w! b0 V4 ?====
中文也很完美。
经验值，每次十页比较稳定。
* H2 N. j8 D" h" \* i& t" U现在我这里API还不能用，等恢复了，全自动了。
====
+ u2 y) i" m& l. [第二次疯掉了！
( _- @& W( R" H, n5 L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。
( b0 a3 X$ X6 D: y% t* v3 s/ n====
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。
% ]$ U# f3 G8 L5 V4 n% 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。
8 p  F( P  T7 W9 H/ H. n$ o. v) B====
0 m; C4 Y! h  E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。
/ v# r, I: b' Z5 y- |====
# ~) U/ y+ j( i. Y9 X0 W* l好吧，有些东西是不给翻译的，哈哈。
  O1 X  o3 D1 K
Sorry, that's beyond my current scope. Let’s talk about something else.
. Y5 }! _6 J1 G+ Q! \: F====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
5 M) V! N6 \% w3 a: 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。
1 S8 \' [  y5 Q, p8 b* ?5 D! L0 T====
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。
3 s  \; }$ i/ i% r1 p====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
1 f0 P' g. r; a6 Z====
9 X1 u  K$ Y1 c1 h0 }" O* [Deepseek，API 看上去可用了，但是不给充钱。
# t$ ]2 @' M1 y' t. J
+ l; E& |: B5 `; S- z; |% t

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
: Q  l6 O  r7 b这功能很赞呀

+ e8 q$ U+ c& @0 ~& [0 O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

以后让deepseek 读出土的竹简
0 ]6 q7 J) z8 ~& ]8 F4 g% B' K# S5 {
/ m/ i0 j: L. O# e& q% _还有把古文翻译成现代白话
; i  b8 G7 j- G7 u7 J- ]8 e
! Q0 M' X* u) x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？
0 B2 l: V1 o/ _
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？
# _( R% V+ w& `! q% L2 Y
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 v: s" f: {8 ~; C% d2 Q
, |6 ^$ C. o/ u; [5 P, s% X! N( Q; _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。
( c  H) O1 }' G/ k文字之类的没问题。估计deepseek现在暂时只保证主要功能。
" \* Z1 O' c% _: f1 I, ?1 |5 z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。
; @9 S& E" X; ~1 c

nanimarcus

方恨少 发表于 2025-2-3 01:23
; X! _! y  L; m! I- }请教是如何实现的？
2 c& P0 T5 l6 H+ @9 I/ D5 W
! I' _5 w% d/ K5 S, l  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 ...

/ L5 k2 ]7 l4 T) J( |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。
; y( @4 G* w0 t1 `# r( _' @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。
  b; N1 P5 Z2 s* x0 c2 x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。
1 A. s$ T. h; W5 l1 k" t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”。

https://github.com/oomol-lab/pdf-craft

) {1 D6 [% S2 W. g1. 这个工具要求装 python3.10
8 z! c6 F. m( }2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
1 A1 t; @. G9 O1 Z4. 把下面的内容写到一个文件里，例如 a.py
9 T0 t6 o6 U  b! `2 m" |3 Q
# j% ~- T# b4 t  B

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   0 x& Z) |3 k# u5 U+ p) C3 _
2. 
   3 [7 @0 L; a2 L- }( e
3. extractor = PDFPageExtractor(
   $ y" n9 m* I% ^6 J3 n8 [
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ; K; @% t6 P% B; ?3 E
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
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

; n: }! }) k! v, ~
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
9 m, o' }, X0 [7 C4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

7 E4 Z9 b. P# I0 |- n, D& `4 @
& P' H! o( s$ n3 t; c# ~5 ?目前为止PDF转纯文字的最佳办法。
4 p2 [% z* K% K( j3 V0 R先写个小程序，把PDF按章节切成小的PDF。
! H/ t8 q2 k: u& B然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

; l  k8 ~0 V) S& Y5 C$ sdeepseek，qwen，chatgpt 三个，deepseek是最好的。
1 [  S" r1 }7 b% A/ D8 ]4 }# I
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。
( a. O* b. P/ i& G
* o& _2 {8 b0 l, [1 D. gAPI到目前为止，差强人意，不如网页版本修得干净。
! O* ]/ H9 G2 j9 m& y
5 b3 B/ M3 U7 j7 g' Gdeepseek可以同时开四个。

三力思

/ O% C* X1 Y  G. b) r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
/ v) c3 Z2 Z  H/ U* S6 I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。

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

* g" q6 w. H( y/ A  N
0 }2 x5 K+ E  E已经搞定.
8 D5 \/ ~( X/ m1 ]2 s  y# s& Y; H
$ C- |2 p8 f2 {3 I% |; F; ^1 ~2 B首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

5 N' u1 v. q& @8 n1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
% d2 f  L3 `1 m
得到text file
* t3 |  E' U1 ]+ ?
% T, V* X3 }1 M. e4 @% [8 v+ `2 `3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

) |  \! A0 p! `6 i# {/ h7 Fmax_tokens 最大是 8192，别的不用改。
8 `1 Y$ C& u0 O2 J; P9 ^
参考：
- P3 Z' f8 M0 s; G0 s! ahttps://api-docs.deepseek.com/api/create-chat-completion

$ i( P& q% W0 X) E5 H* S7 W4，费用：

实测：
" X3 ^, e) @2 _5 l; }  f
296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
; R! O; b7 u! ~0 M) `% Z9 n4 M) t
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
+ O. h( m$ Y# ^4 s" i
+ A6 M1 n( G- \. z  v4 m32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

. R( ~4 Q) M' A! R3 x参考如下可以计算，懒得算了。
, T3 W# U% z* [+ o$ \# b
https://api-docs.deepseek.com/quick_start/pricing

6 _& g$ j; ?- C8 S7 E- F( _1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
0 }1 A" W: q3 t  J1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
- I* p- A# Z" L. d" r5 F" C0 Z1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
- L2 F# C# z$ n+ f0 w' ^, N8 R
可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
5 W  v# [# p- X6 [https://api-docs.deepseek.com/api/get-user-balance
9 X- i, P& p6 q$ q/ Z, i
6 {$ h. f) e- H8 T2 H6, Models

目前就两个
# deepseek-chat
# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models
, A. C  L$ s, m! z
6 @/ h) \2 `: `+ _0 D8 ?- B
7, 问题

9 W! Z2 `* m4 u2 U2 jdeepseek 会将前后两段合成一段。
: ^5 ?+ c* ^1 d特别是那种大量的对话的段落，deepseek会给你合成一大段。

: |! A4 u7 Z" v  C# t8, 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。
+ |' k( Y8 C9 y3 F9 h7 j8 N" \9 }但是API就不会出现这种情况，毕竟我们给钱了。
9 Z, s+ R1 [5 o6 J# e* X- Qchatgpt也是这样的。

2 H* k3 |4 O  N% j0 X$ ~3 M. c
7 F4 M6 N2 t1 Q3 }# Z* d( r! v