利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

. [0 j  Y% w) G, ~0 \: f
0 O, r7 j8 W% u& _, V把PDF上传，然后让他抓取文字，并修改可能的错误。
# R( W, \+ I# G- h$ ?然后deepseek完美的完成了任务。
5 t' S* `- a' X" ^+ ^# k, ~5 M段落清楚，列清楚，页眉页脚全部去掉。
# g% h8 `! l* N  s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。
' Q; z% G0 h5 f( @经验值，每次十页比较稳定。
" D5 T3 U; }2 U: Q* Q3 s/ U" S# f现在我这里API还不能用，等恢复了，全自动了。
3 R: `% h3 c3 [( b) B* L0 o% O====
5 K8 H! H) a) O( G) I$ ?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。
====
" S/ n, t" B  D+ T& N. K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。
0 x' }& y4 }* r% n但是任务多了后，每次翻译的页面数是减少的。
4 ]' s  I9 G. n* _) v* ]' n0 \好吧，我五体投地，继续探索。
====
& ?7 L5 R+ F3 [' V: L6 v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。
+ L1 x* J# H# b9 _====
! E" z; d5 O  M好吧，有些东西是不给翻译的，哈哈。

9 B& C4 a1 F, D' @/ c. R3 ?Sorry, that's beyond my current scope. Let’s talk about something else.
8 L( K- E* z$ U/ _$ j====
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。
====
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。
====
' ~2 a* y8 I' a2 _用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
+ b  C1 ]$ E2 M! T' C6 x# L1 D====
( n; q& c, v8 l/ r3 WDeepseek，API 看上去可用了，但是不给充钱。
1 C) k& G( r1 J" e
& B  X1 \$ J" W) g" i3 m
/ h2 N9 U0 n& D3 _" ]: R. Q
3 U* S# F; l% d: v4 M2 \

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

" n/ W' W2 V9 I/ N: V4 c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
6 M' B/ e6 L0 H# ?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

1 {" R* F+ S3 d2 t; p以后让deepseek 读出土的竹简

. ?- j; `4 e0 G( h" b还有把古文翻译成现代白话
) X9 w: l" `: G2 K
9 e4 a$ @$ u" t1 o1 I% ~2 B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？

! j- ~3 e0 E% Q. @) L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？
6 y6 c% k8 |' d3 s
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 w& K1 w; B. Q  W- k- Z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。
. G% K+ ^7 I/ o& Q+ A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。
( l, \& Y  q& ?& {/ N( q3 b

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
- D6 W# _( S9 [. K. {6 Q+ u2 `
* \: M' u4 q  Z8 Z! K; S9 R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。
很稳定，质量不错，好像最多一次处理15页。
: F0 k& q* l( A1 h7 E% Y7 n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”。

' D4 B, H! Z# R* ihttps://github.com/oomol-lab/pdf-craft
( E0 [. g) U0 J" N$ E# a% {
% p. V) o8 J, p* Z% v+ ?1 \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
3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
. J  A+ Q1 j) ?1 s3 @3 F9 L
- A& F: Y) ?3 _) |. C

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   - K; v! m7 F5 i+ t- ]
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ( g$ b& |( V/ \3 _/ D+ a6 Y1 [
6. )
   2 w- ~2 \3 j+ e1 `5 ^
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

  a" S. Z1 c: n& t- o
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
* t" U/ Q3 v; W, O4.2 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

& B+ A9 h4 I  m, h# p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。
然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
: I5 j8 C* x& q$ M: ^8 N效果非常好。
5 H5 w% s, v4 l8 Q1 a
deepseek，qwen，chatgpt 三个，deepseek是最好的。
) N# a6 y! ?! A( i; Y1 H9 N/ P( @
' q; N0 p. Y; w' e7 |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。
- n. D1 p6 W( H5 y) `+ N# A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。
0 m. e2 j. t" F( M
API到目前为止，差强人意，不如网页版本修得干净。
$ j( N# W0 N) j! X3 K/ Z
deepseek可以同时开四个。

三力思

% z' R! K3 @# O
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 ...

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。

* h( {/ |% B- a3 {7 P  A# l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

  V8 n, V" X" E) x7 W已经搞定.
6 \$ m. Z2 p' H" H  g
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
! {2 l8 O) F' |! D6 F
% T' o1 ^$ q% @" V6 }1, python + pypdf 按章节拆分小的PDF
$ R6 R+ k6 l' c: o3 U' E, b
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
3 H) F( Y) M2 w
得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
; _: q! o9 A6 D3 [8 b. i! f
/ Z: A6 C* _% P) `模型是 deepseek-chat
9 M, h! H1 E; [! n2 _
max_tokens 最大是 8192，别的不用改。

参考：
- R" ]2 B3 c* f  C* yhttps://api-docs.deepseek.com/api/create-chat-completion
: |) h) ]6 y" s! o2 C, F9 q
4，费用：
( L9 k( x- U2 h
实测：

296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
' Z2 r5 L# ]' k  H& A
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
; ~$ g$ V( {, n% P$ W6 J: C& ~! p' Y
32899 个字母花费 11782 tokens，包含输入输出的 tokens
- M/ K5 n4 v- u% P
价钱，非常非常便宜了。

0 f: k# K3 _( V参考如下可以计算，懒得算了。
) y- D) b7 e/ Q- T6 J) L4 u6 N
: N4 S- I0 f* L4 `4 E: W& G! Dhttps://api-docs.deepseek.com/quick_start/pricing
% Y3 G# @; t9 [, U3 }
7 r" u1 k6 n) v. V5 R1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
& i* Y( x& P9 y$ Q" m) ?1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

  E1 ^/ {' B# h) W# c5, Balance
6 ?& u4 o0 F0 [* u4 ~/ ~2 K) J
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
& L% b9 H5 t8 P+ c6 Z# W( `
* I3 B6 ^- v2 U: `目前就两个
! w  s" Y9 e# R0 n% c% |; z' B# deepseek-chat
4 X- _0 C) Y; ^9 l. C; e# deepseek-reasoner
5 X  u1 x% s9 t
参考：
; k0 h6 m2 ^. x3 R2 L: f8 _https://api-docs.deepseek.com/api/list-models


' ^8 {& s0 Z+ d7 {8 _2 x7, 问题
% V8 P6 x5 Q+ @- m
deepseek 会将前后两段合成一段。
8 _5 X" r: m! o0 c特别是那种大量的对话的段落，deepseek会给你合成一大段。

8, 钱说了算。
: K  a: V9 M8 S2 m2 b- W; i5 k  E# f
, p: R/ K/ t% pdeepseek 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。
, L/ K/ t% d, e4 V1 l1 N* t$ qchatgpt也是这样的。
) Q* ?# a. ]  J0 L( r2 C% J! _+ v! g5 g