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。
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。
$ l& S" S# ?7 J- R# 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！
+ u( F; W) y6 D% v$ F& ]====
中文也很完美。
; T$ E, X+ |1 t' I- B经验值，每次十页比较稳定。
) G' @0 ~  e" @现在我这里API还不能用，等恢复了，全自动了。
====
第二次疯掉了！
) b  A$ ^0 V4 ?1 I- u1 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。
4 D' J8 S: n  n( q+ K% x! F, m* I====
4 i6 [- F  F( g- ]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。
) b; r8 q9 h2 C% u4 B( g' `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。
4 I- V3 ?5 `4 R8 V$ L" e====
4 [1 O. r! n# X0 k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。
8 J: A+ t- u/ l. I====
好吧，有些东西是不给翻译的，哈哈。
, t( F* |; r& \9 x' j
Sorry, that's beyond my current scope. Let’s talk about something else.
====
$ W2 u- i- ]- L0 A0 `: A3 \1 D然后我的英文命令也让deepseek 帮我修改，呵呵。
====
7 @4 I9 q0 r" G. |0 j0 K7 `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。
$ {( A8 e0 L4 f1 E4 V4 A0 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。
====
用千问吧，非常稳定，非常强大。
6 E, h. k/ I/ whttps://chat.qwenlm.ai/
====
5 Y* n6 h/ }/ y, C6 n) j. w. L' vDeepseek，API 看上去可用了，但是不给充钱。
0 ^! M! f2 D' x1 v2 w9 `

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

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

2 A- p" I. J4 f& |0 A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 z  z: A1 Q+ k0 X以后让deepseek 读出土的竹简
; p7 i+ F+ E9 j5 I; q* L/ l0 {
还有把古文翻译成现代白话

2 a4 k$ a' d# B/ k( G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？
! A$ Q8 p6 ]$ O* u
8 i! }3 K$ J; {( t$ ?" y# 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 ...

# s# x0 B9 i! Q' V8 @
2 P/ \4 ?( Y( @- ^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。
/ u+ _0 U( F) H( H# }' 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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
9 r& B+ A1 J. h/ T- T6 f请教是如何实现的？

& q6 P* t4 G- E9 v( _% W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/
试一下千问，估计美国人没有攻击他，所以资源敞开用。
6 f) d4 E) g2 p# P- M+ H) p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。
: Z7 J4 ]" \6 P0 z* H/ @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。
& l5 S% k0 r& b0 P2 W1 [& I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”。

! h7 Z: u% [4 S" X# b' t: Jhttps://github.com/oomol-lab/pdf-craft
9 i4 V9 x! i/ h, s0 a+ |
1. 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
. P: A. ~# f) V+ |) ~5 k: y3. pip install pdf-craft
" g, v6 N0 }* ]+ j% o  x+ E4. 把下面的内容写到一个文件里，例如 a.py
. w% r* @5 ^  g6 j2 D2 \" K
( N2 r! z1 v$ U- g) d

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   * Q8 }. w' a! k/ E7 U& K# i
2. 
   
3. extractor = PDFPageExtractor(
   * T) @! `. e2 i- b3 p  A
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. )
   / H* d% n( I- _' Z+ D
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   $ i$ t5 U! t+ D6 d3 F  \( N- ^
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

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
! l0 ?& C' [6 }- `% o4 N" A* J4.2 markdown_path：输出的 markdown 路径文件名
: }- N1 [2 L9 [0 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。
先写个小程序，把PDF按章节切成小的PDF。
7 @( S4 c# V: M6 e- \$ S4 ^然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
+ x% [! r; j; L* K  ]) @" Z6 |
deepseek，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。
3 H' Z3 {7 x, X1 F9 U" q3 C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。

+ X; h7 y. C: @+ ^" z" e$ \$ wAPI到目前为止，差强人意，不如网页版本修得干净。
0 `, ~/ q, P, s: v" X- E0 K# S
; n2 b1 k6 S3 l0 I/ }) H! Xdeepseek可以同时开四个。

三力思

3 J* B) r0 H& d' s! k7 @
$ @# A. {1 n  q# f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 ...

' m+ C7 N' S. u( g/ y) c) D* 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
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

8 X' B) e! R- B3 g; T' z已经搞定.

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

/ b9 ^7 d; N4 p$ V* o5 A7 c$ s0 S1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
; H& J9 N" s8 }
得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
) X! K, V) g, W7 A/ X3 l( r! |
# @% s( T+ i  g1 }模型是 deepseek-chat

+ g4 n, w6 W& B+ w, N( t8 X4 nmax_tokens 最大是 8192，别的不用改。

6 d% ^6 }4 o9 e4 s参考：
https://api-docs.deepseek.com/api/create-chat-completion
+ g7 e+ M4 m0 k& ?
: v1 ~+ V% i* s" }3 A4，费用：
( @3 D- ~6 T5 p( L  r, E
实测：

296K 字母，用了 9 美分。
5 l, t( d+ [7 @5 r, w
/ ^" l8 Z# r- B  j7 {4 v1 K英文字母 到 token 用量大约 1/3
( p% M9 o- s2 Y' `  H
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

9 `2 I# B" f0 l" ]% W* }) [. W价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
9 ~$ i! P& v+ h
https://api-docs.deepseek.com/quick_start/pricing
) G* Z7 g4 m( \, X
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
) j$ N  G* N0 T9 O8 |* W, t8 j1M TOKENS OUTPUT(5)                                              $1.10                $2.19

  W, U6 F3 J4 S3 @* V' O5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
) b9 l0 q3 R4 N* V2 zhttps://api-docs.deepseek.com/api/get-user-balance

6, Models

& C3 d" |" x/ |- L' G$ H9 ~3 y目前就两个
6 D3 `5 R* _2 M# deepseek-chat
# deepseek-reasoner
7 K4 i& j* G7 Q. ~
参考：
2 K  _# N- b0 M9 o- Rhttps://api-docs.deepseek.com/api/list-models
$ ~. C1 |6 }0 ~; \9 P

, `' W5 v' h, I4 U; r7, 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。
3 f- W! }8 S& ?+ P
8, 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。
# H" G/ B9 ~6 z7 d" u( |: ^但是API就不会出现这种情况，毕竟我们给钱了。
# Y, {' J: ?' x' B; schatgpt也是这样的。