利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

2 j* }+ `$ p* t" S; L0 l% B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。
0 t$ ^0 E& S) Y0 D6 d段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
0 p: S" C1 I) ~+ L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！
, t$ M/ ~' R% u7 z====
, D: ]5 G; b$ b1 H1 a: F! x$ l中文也很完美。
9 b1 Q; |5 {' @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。
2 K2 f1 N$ s& e8 i: \& l" k====
5 H8 T9 A0 P" _  w& |/ z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。
. }  I  c% ~0 D. R====
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。
$ }7 x! [" ~* G% _但是任务多了后，每次翻译的页面数是减少的。
+ f6 {& N  Q) E; V% |好吧，我五体投地，继续探索。
' ~# m( B& H( N====
( A4 u) b* C' H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。

Sorry, that's beyond my current scope. Let’s talk about something else.
! M3 h+ f( _# j* o3 ^4 `====
然后我的英文命令也让deepseek 帮我修改，呵呵。
* \, _/ ~- }0 _' I====
' a- b- ~& _9 a: H" j7 N$ n. x* {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。
9 ?& r. s0 K8 b" Y( h' X) p8 g====
* v/ }. p  [3 x: ^3 a$ B( S用千问吧，非常稳定，非常强大。
. J% @# F* r; i/ o  |https://chat.qwenlm.ai/
====
Deepseek，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
这功能很赞呀

: l1 f! W8 c1 s3 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

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

还有把古文翻译成现代白话

% q1 C& r; H+ L9 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？
7 r9 r& e, X+ R/ M0 T
* Q8 ?3 s3 W9 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，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
# R, E& q" r: e/ x6 }, E1 W请教是如何实现的？

' m$ M3 u1 M) V) A$ 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 ...

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。
/ `2 ^, ~( S+ s1 Y9 \$ w% X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。
, K4 S  D4 J: O8 ~- D  K8 i8 D

nanimarcus

方恨少 发表于 2025-2-3 01:23
3 _0 _0 Q) O& [4 u请教是如何实现的？
5 w/ @- ]. q) [( ~( p% h
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 ...

5 X2 H( S& N8 `) a# y) ]" b' |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。
" [- E3 ]2 |2 X4 B3 c# I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。
, V, c1 o  Z3 g9 @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”。
3 U5 T' Q: u* |* a, |+ F
& j" E8 P2 a6 g4 ehttps://github.com/oomol-lab/pdf-craft

: \% ~& |  N* W1. 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
$ |8 H# @4 `& D" F3. pip install pdf-craft
" u2 N" ?/ w  o- N: k: X4. 把下面的内容写到一个文件里，例如 a.py
' l; u& e+ {4 K- D0 H2 T
3 {3 h+ E4 \7 j! e3 u2 W

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   $ i. e' ^7 x5 @  F
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
   
6. )
   - q5 \- B: w* H5 {. O. s9 i& p4 s
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   " A1 D' O# s- v. o& r
9.     md.write(block)

复制代码

; k6 x5 `- a! l' f  G* z- s" Q# U6 P
0 B' l7 X- q/ k% R1 `" D5 p* i要修改的内容：
- M8 W% I) ]) m5 o+ z# h6 Y4 S4.1 /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

& @0 B; t+ L9 t5 D5 b
) [) t( \7 s9 M1 e' u目前为止PDF转纯文字的最佳办法。
2 |4 P- w& ]2 x" t  u" v& a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。

deepseek，qwen，chatgpt 三个，deepseek是最好的。

/ K2 A: ^; K" ]5 K, M( X9 T% `7 c6 q! xdeepseek 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。

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。
# t# f. @3 s* d9 u) `- D

三力思

$ A; C. u$ ^. f0 I) e) a* |, O8 N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
& O9 V6 v) u) e5 M5 C) k' M. s6 [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 ...

- U; }" M5 e% A2 K5 C3 W$ Z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。

: `& l9 a7 B1 P, h6 q9 z0 R4 L' v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

# C1 v8 E3 d; Q& P. |# d  H
9 k: g3 M. r  r# U2 O已经搞定.
: r2 b& @) n* i) \7 l
2 |9 \5 ^& z9 L) {4 E5 E9 |6 e$ A3 `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
3 x  G0 N7 a; v% w# C) c2 {
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file
* M  N" V" ~, U1 K& R; c
4 z4 l5 J: A' @) ?3, python 读取整个outputfile，丢给deepseek 矫正。
5 C) P, {9 \; x+ R4 t- |
模型是 deepseek-chat
$ m* x' o  p( o/ z% N
max_tokens 最大是 8192，别的不用改。
$ c( ^  `$ f! w  H" J/ `
参考：
/ p+ M% W* f  l7 Y. N9 ?https://api-docs.deepseek.com/api/create-chat-completion

4 m: I. ]% Z% {( i' z4，费用：
; ^6 A9 Q2 B" [: ~
9 M' X# q# q% }. L/ j3 e, e实测：
, H( _0 e% P4 M' v
$ {' Z% M3 u) G, q3 m) v4 j" Q296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

, K" t+ y# D3 `) ]0 {9 e9 O8 z+ Atokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

) v/ q  M1 d6 G+ z6 K: }8 P32899 个字母花费 11782 tokens，包含输入输出的 tokens
# r5 Z3 b% J  M- w3 a0 q( i
价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
. J2 E! Y) I/ [. M/ L
0 Q( A8 x4 g- f5 I; j) O1 a. bhttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
/ y" W/ v' }! ?3 T! K1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
  J" Q& M) j* U- {. P% @$ _9 Q1M TOKENS OUTPUT(5)                                              $1.10                $2.19
8 K6 \8 M3 S1 M4 K& ~# j
1 @& C3 b/ ?! F7 Q* g5, Balance
% P. H" v6 ^! w1 A- z0 E
可以在程序里调用，知道每次运行结束后，balance还剩多少。
/ c% O' @+ h& ^' A0 N参考：
1 x# [5 d4 e. R  F- ]4 ~# Hhttps://api-docs.deepseek.com/api/get-user-balance
% G- z( T4 c" P3 O/ R: Y, {
6, Models
) P! J( {5 B' f* |6 ^
目前就两个
3 k+ [0 W+ H8 {2 S3 }- F# deepseek-chat
# deepseek-reasoner
, y1 s- C8 j0 S! X+ O; a
+ Z: [. J. ~1 {参考：
https://api-docs.deepseek.com/api/list-models

( t' T# J' v. Y+ I% E+ a
. e9 F3 K4 e; g9 s7, 问题

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。

) S7 ~' ]/ r: {. G: L2 r8, 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。
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。
5 K, K- s1 w( V! ~