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。
1 O% o! ?1 Y' b2 ^9 I: q4 o- p然后deepseek完美的完成了任务。
9 K' s! I  h* P3 A8 j段落清楚，列清楚，页眉页脚全部去掉。
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！
- l, @# d$ d" ?$ ?) K4 Y2 S====
9 z6 @# Z7 o2 L, k! e* g中文也很完美。
经验值，每次十页比较稳定。
; [3 Y3 A7 w9 ~  b2 T5 e8 r& L现在我这里API还不能用，等恢复了，全自动了。
0 d4 b1 s3 j+ \1 w====
; N7 _; O# ^. h  ?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。
====
( M8 v3 V2 I$ l! c! M% `: B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。
3 V/ C) r. q4 [好吧，我五体投地，继续探索。
====
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。
1 Q7 h" k8 f# J8 M! a4 C6 i====
好吧，有些东西是不给翻译的，哈哈。
: M  k: z6 @) J' d% P
Sorry, that's beyond my current scope. Let’s talk about something else.
: H) s" |0 `2 a2 }1 z4 [6 s2 M====
& F: P$ \! O$ |4 O9 }然后我的英文命令也让deepseek 帮我修改，呵呵。
8 P& ^! x9 P* D8 Q* l====
# z: m" z4 ^; E2 c* F5 L; f/ W0 B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。
====
/ H; A0 @/ g( O用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
- }4 R$ q7 ]6 |8 ~====
5 j! P' P8 T6 HDeepseek，API 看上去可用了，但是不给充钱。

# |8 {4 Q# M. _2 u3 c

. o( h4 M8 @4 Y$ |+ z, Z

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
7 N' Y, Y3 F/ d4 P8 V' D8 S这功能很赞呀

1 f5 {- J9 P4 V! P3 n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
3 `! t( R0 r2 Q# L0 _; Q0 O有没有上传整本书试试

3 z6 U7 `2 ~2 c/ U" O# y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
5 P4 Q- M  Y- N1 Y
8 J. d. T! l$ x. D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？
, h# Y0 \- t, p
7 |! |$ ]9 @, Z3 {2 Q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
" @) J8 N7 t/ m; x4 q请教是如何实现的？
; e% s- n5 @8 P
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 f4 E- Q2 D/ `
) b) n. n3 u8 |/ r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。
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。
7 X- X& P7 h2 ^/ S6 R7 Q' j

nanimarcus

方恨少 发表于 2025-2-3 01:23
+ C" f# `1 U! x* q请教是如何实现的？

$ Z: G& g1 \- Q: W4 m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 ...

  {2 |! R, J2 |- dhttps://chat.qwenlm.ai/
1 h. F# N: l+ b0 z4 f/ P试一下千问，估计美国人没有攻击他，所以资源敞开用。
! ]# k& A( H$ X% @1 X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。
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”。
% o* q! }! Y  J5 g! _
https://github.com/oomol-lab/pdf-craft
0 `$ k6 C+ ^  c3 N$ e
6 J2 L9 z  S* A- f1. 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
) u5 X2 _4 s) U: W) h, i3. pip install pdf-craft
) b+ `/ ]$ V. ?$ J$ j% P4 }4. 把下面的内容写到一个文件里，例如 a.py

$ J( W; y( i2 m. v! h( Z

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   # b& c9 u. o8 j/ @- \, E
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. )
   4 U3 f/ u; o: F& E
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

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
4.3 /path/to/pdf/file: 输入的源PDF路径文件名

- ?. ]2 W# r% Z, E6 E5. 运行 python3 a.py

nanimarcus

9 o; X: s; a0 c目前为止PDF转纯文字的最佳办法。
- |  T: D8 L" [  Y9 d9 h2 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。
7 R, V4 {. Y8 B/ F效果非常好。
+ K! Z* S; @" V& d" |- i
deepseek，qwen，chatgpt 三个，deepseek是最好的。

) ~# K- y& b" J9 L( x- D; udeepseek 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。
* v: u8 D9 O5 k5 y; g6 u/ x我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

3 `2 ^* ~) |2 h# p5 G, g# @# m8 T7 T" PAPI到目前为止，差强人意，不如网页版本修得干净。

$ ]% ^! r+ L" p  G) E# Z; Kdeepseek可以同时开四个。
; y+ a! Z& V. r: ]0 G( j2 b

三力思

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 ...

8 V2 R6 \0 s5 N$ Y1 Y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。

; w' y/ ~, `7 I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.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
2 F5 n! c- q" Y. j
1, python + pypdf 按章节拆分小的PDF
' L$ q9 [  O8 c& m
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

; Y0 i" |3 j* T2 v6 L6 B. S8 V3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

1 m; T3 `* _! x4 ~& o( P/ j- Ymax_tokens 最大是 8192，别的不用改。
+ u$ {0 R8 `! _4 W0 v
- y4 y" D% i: O& K) |) Y$ K参考：
https://api-docs.deepseek.com/api/create-chat-completion
6 o7 n- t, E! F* ]1 P
4，费用：

实测：
) l) Z3 J3 M; |; E& F! C4 L; f, T
296K 字母，用了 9 美分。

4 R' U2 G  z  h0 x7 a9 H英文字母 到 token 用量大约 1/3

  `* y0 A8 D/ O9 N2 B' Gtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens
! y! M7 T/ S: K% C
% a, r4 H2 Z1 F9 s# \0 D% T价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
6 w% v, ?+ ^. h  b" U7 f1 U
https://api-docs.deepseek.com/quick_start/pricing

1 O) C! O/ |& v: ]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
+ P4 }; U/ i0 k/ v/ C! X. \! r
5, Balance

' F* K" X. |9 C2 b- [* y( u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
( o/ ]' f% J. B5 T8 ~) P
6, Models

2 v) C+ M/ T6 }8 _2 d( ~目前就两个
$ B7 f2 g3 X9 j. P  b# deepseek-chat
# deepseek-reasoner

7 {# c' N5 r8 N- P4 g; W参考：
https://api-docs.deepseek.com/api/list-models

  X$ q! G8 K( \2 e, y; a
" j* p0 G  M/ ^( k) q7 l/ k: k9 S, I7, 问题
% ]8 w6 Q; d- i# ]
deepseek 会将前后两段合成一段。
, r$ f, y, L6 H2 C. M6 r7 F: \特别是那种大量的对话的段落，deepseek会给你合成一大段。
$ N: e: C+ g$ G# a2 R
; a9 G  ~' V; N+ R/ z: y1 O8, 钱说了算。
/ Q, x5 Y7 g7 p1 z
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。


, {7 K1 k- y) J6 t4 N