利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

+ X+ d  ^0 i" O5 c
把PDF上传，然后让他抓取文字，并修改可能的错误。
' ?5 ?8 r# X8 q, L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。
; Z& O% o# y) H% Z8 N4 U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！
====
中文也很完美。
! z, e" I9 T6 ?8 @6 i) k7 C) [8 M经验值，每次十页比较稳定。
: n  k# y1 C+ K4 A# ^& N现在我这里API还不能用，等恢复了，全自动了。
====
" V9 d( J1 n# ^9 i. {5 X  ]第二次疯掉了！
, I( C& U. J" R8 W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。
3 [- ^. L) n! K. Z! S) a====
( H/ u  Q7 N' ]* Y! V4 B3 c' i$ X- F; t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。
====
- {5 u0 P7 n$ I1 X0 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。
3 X% e. {& i& ~2 N0 v
' j" E3 O, ^' A5 ~" |+ c# f" zSorry, 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。
====
- F( D( ^' a5 H4 W) n( }; {5 U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。
====
: b5 |. l& N, q4 G' g+ h# \用千问吧，非常稳定，非常强大。
6 T- H, h0 J7 H7 E+ }, W) [: Xhttps://chat.qwenlm.ai/
5 f. e$ L  `4 y) |( o2 @1 Y; ^====
Deepseek，API 看上去可用了，但是不给充钱。



# `6 @  ^9 F* I3 a6 H; ^

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
5 A6 c2 y$ m* c7 w- J这功能很赞呀

" ^( I: y$ d( B+ O3 U- n. D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
: r9 i1 m9 v8 ~/ q, |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

! }9 w9 H: L! v& ~+ {
以后让deepseek 读出土的竹简

# T( t2 [5 ~( x" R2 @- E+ k0 m还有把古文翻译成现代白话

; o* d7 u1 D, ]8 C+ Z6 b* W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？

" e1 e5 l! j) d0 c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
/ b, ~: G% G& B1 [) B2 _+ E- X请教是如何实现的？

+ m, S% g7 d6 t* B1 p# I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 ...

* [$ M# O6 Q1 H) g7 @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。
- S3 U5 M1 q. {' f& [2 g文字之类的没问题。估计deepseek现在暂时只保证主要功能。
- R% X+ X3 |5 J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。
. ?3 ~9 b1 K  A+ \

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
# S" \. X  r/ ^9 F* d% v
2 J! W7 M* X4 P+ R% i) 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 ...

/ V7 v' u) H+ C7 ^" B* L! u/ whttps://chat.qwenlm.ai/
' Z( m, c% I3 X+ B2 L- n" M& 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。
# M4 i; T) M* r. U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”。

. G7 D8 ~0 P* L6 s  c  ?https://github.com/oomol-lab/pdf-craft

: ]3 B- E0 `, a7 h- R( I1. 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
3 l( f5 U0 r: t0 ?( r, u6 L4 _2 f3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
+ N- D8 s: q0 B1 l

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   4 i6 U8 Y) _  K* r- Y' B5 C
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
   ) R; y% O+ V7 S! i3 r  u
6. )
   ' T  B5 t: e* Q5 k" l( Z
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   $ C2 U8 b- f! }' i( n
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

+ E7 _6 u& b, J; ?
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
6 Y3 r2 n3 M3 `( H) C' F4 g2 p( t8 Q4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

, q' [" {: a& f" t# R3 N* ^
目前为止PDF转纯文字的最佳办法。
8 l9 F; H1 v: ?7 \. t6 C% a先写个小程序，把PDF按章节切成小的PDF。
0 M6 m& N0 e7 V9 m4 U% c然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
! I. L+ g. Y2 J. b+ _5 n5 f, |
8 v$ f9 y% f+ c4 ^2 Ldeepseek 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 d! x! g; y7 r( T- I7 E) v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。
* i7 c8 w4 `* X2 F6 @4 y) B我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
3 E! B  K2 a- P' `) a
' U# }$ d* g$ ~6 aAPI到目前为止，差强人意，不如网页版本修得干净。

7 O$ M& R1 K1 G% e2 h2 a+ Tdeepseek可以同时开四个。
" B) I7 K; G, ]8 s! D6 q# K

三力思

( B! X6 j" K& L; y
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
5 {' n) _, K$ w" o- ]4 k# h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 ...

, j# T6 T' `8 J3 a细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
. c3 H) X* f9 ^7 A! j, Y! H& G- t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

已经搞定.
3 b5 K9 U3 F1 K
" J! o5 m$ J* T: V首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
+ R) o* D8 d* t* s
1, python + pypdf 按章节拆分小的PDF
, x1 W2 C7 t9 R* v: l1 Z
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

, `9 L( }6 Y( P得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
; g3 z% X% Y) J2 J% w
6 {1 K4 }9 i1 q/ W# jmax_tokens 最大是 8192，别的不用改。

参考：
! o& [/ Q1 |* H4 f/ Whttps://api-docs.deepseek.com/api/create-chat-completion
# g# M$ U7 g& ?1 V7 g7 t, t+ K
4，费用：
% w% y( D9 Q4 T% E5 u+ J" [
实测：

296K 字母，用了 9 美分。

% p, @+ ^# |8 S; A7 c# U英文字母 到 token 用量大约 1/3
: j2 X6 N1 E7 C$ b5 T' I0 s9 o
- y  q: L( ]( q- e# Ntokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

; Q/ n' g$ e  N# r32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

* }1 o2 Z1 s: W$ {, q0 M参考如下可以计算，懒得算了。
. W# A' r7 ~" L6 y- j: c4 k" m
" ?5 j: B6 D+ V! |" [https://api-docs.deepseek.com/quick_start/pricing
' ?- B; D1 g; \
" ?* m1 K2 F, a, |, T6 O& {1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
& D# H6 B7 H8 D& h4 Z$ l1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
! P) i! z/ x- a1M TOKENS OUTPUT(5)                                              $1.10                $2.19

0 z# H3 b* G9 D- n5 J" n3 B* C5, Balance
, ^% `3 q$ L$ S7 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：
https://api-docs.deepseek.com/api/get-user-balance

6, Models

; o3 p2 }7 n6 t; a: Q6 ?目前就两个
# deepseek-chat
# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models
# j' E+ n2 I* f* S
- ~, X6 [: [& {/ g- k4 w2 E  t: j" Q
7, 问题
, y. Z( u# ^# V' r. t
. e1 Z" s1 v$ N; L' U: I" ^, zdeepseek 会将前后两段合成一段。
9 D* s. F$ c% a特别是那种大量的对话的段落，deepseek会给你合成一大段。

' P) C! ]0 [8 @5 A8, 钱说了算。

4 S  H7 R  F( C& K, hdeepseek 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。
, Y: X1 `) J6 h% Q$ L: L4 S  x6 Z但是API就不会出现这种情况，毕竟我们给钱了。
2 V& ^* ~: G) \4 ^; Q2 u" y" |chatgpt也是这样的。


5 v& W$ K! f* E