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。
" G" a2 z; k9 ]: f然后deepseek完美的完成了任务。
  {* ~" v' p2 S6 v+ k段落清楚，列清楚，页眉页脚全部去掉。
1 n' u  D7 U2 q* }我要疯掉了！
( S: ~9 l- t% U2 u" d/ `; |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。
经验值，每次十页比较稳定。
3 i$ H% G2 U9 J- r$ q/ }现在我这里API还不能用，等恢复了，全自动了。
/ t  E% J7 H5 Z  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。
====
# j/ \; _, j1 m$ F: O* X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。
' R6 O) w5 C& p但是任务多了后，每次翻译的页面数是减少的。
" V5 K4 w: Z& Q8 F- X" U! k好吧，我五体投地，继续探索。
====
( J7 M8 x( O% l3 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。
& |' ~* L3 Y% j7 E* C5 l9 ?, \
& ~! M4 K6 m: E' JSorry, that's beyond my current scope. Let’s talk about something else.
====
: t; ?4 q. [& R: `3 k6 f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。
7 X. v1 m+ L) ^7 A====
用千问吧，非常稳定，非常强大。
2 U6 e8 U; x- {; g* o! P" lhttps://chat.qwenlm.ai/
: Z3 `  y9 k! p====
& w9 z+ K& J5 q' ~Deepseek，API 看上去可用了，但是不给充钱。
5 P/ U4 s- h' Y6 r8 m/ @: O  u( o1 x* b
* a1 {: w  ?* E7 i( Z* G

( J: d+ s0 T6 {& _

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
0 P5 ~+ t& N" @# w9 A有没有上传整本书试试

; a9 y: F; [, j4 c& H' g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 Y7 y" N# F; k8 X7 l: B
) N; ~; [: ?- s) I% e& Z2 q4 s9 ~以后让deepseek 读出土的竹简

: p: D; {& P7 V还有把古文翻译成现代白话

1 e+ \/ h; W% v: e/ u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
9 f  {: L6 o- H4 x9 @# B请教是如何实现的？
8 z: i' n0 K2 o' X! `6 |
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 ...

8 T% `( Y/ }8 h! I3 b9 j: V3 e
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。
. s+ P! U8 a& F! L. B文字之类的没问题。估计deepseek现在暂时只保证主要功能。
+ i& U+ a% w$ f, z: O+ M0 b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。
" k! e" k1 M: K$ n

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
  o$ v. A% X) A$ J0 l# I6 F, j, [
3 i3 D7 ?; q$ z; b, @: d& B$ y+ `8 X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/
, m" l7 f6 ~0 J: d6 D  K( H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。
& a; m. r! q+ ~8 O5 H$ X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。
, ?6 S$ P1 ]  M  E# s9 J7 ~+ O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”。
/ t8 ~, y- X2 _( n
. \: g* G0 M2 Ahttps://github.com/oomol-lab/pdf-craft
) }/ y* }* ~$ I# n  i
$ `( R9 ~9 b, z7 A, y$ U* z3 W/ f1. 这个工具要求装 python3.10
) E! [/ ~2 {& k' r* `* N+ q2. 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

# Z, g$ w0 v. b9 k

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   + n$ F5 m* p/ m2 M7 M1 u" R6 ]
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. )
   : ^; ~- }# F4 I, D2 k' U8 g% Y. V7 Y& B
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   * z+ U* k; @: T" V: S! F
9.     md.write(block)

复制代码

  H6 {3 P5 g: P5 W& k5 Q
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
+ D7 {# X2 y) `1 f0 Q' V) J4.3 /path/to/pdf/file: 输入的源PDF路径文件名

; [$ h' z8 m2 K; o/ B5. 运行 python3 a.py

nanimarcus

0 z: _: w% s% l/ H2 g9 e: _0 o
目前为止PDF转纯文字的最佳办法。
. R+ [% b$ J" _% c! {1 T先写个小程序，把PDF按章节切成小的PDF。
1 ]3 [1 m( A2 v) ^; G然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
) G7 c7 v$ Z& a( X效果非常好。

0 N9 n! Q  W/ ?. j8 _deepseek，qwen，chatgpt 三个，deepseek是最好的。
. Q5 P' Y% j" b( G0 d7 |
% k! c- Y2 y+ j0 Kdeepseek 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。
2 g2 _' ~3 G2 ?9 i. N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。
7 e7 h: [/ Y+ F9 c
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。
# Z7 h, f# T5 p9 J

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
2 Z+ E  U: d$ 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 ...

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。

  C  B6 @/ ~: R4 q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

' P5 o$ q- F; s( `% i# \
已经搞定.
8 Z# `! j5 U2 Y( Q4 H/ ]
4 \9 z7 m* u0 x5 [5 H首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
) I3 i5 d! I) _& f4 `% N: l. _
1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
, _& A4 k+ i4 a# |
得到text file
; N" N5 ?! b0 w' F
3, python 读取整个outputfile，丢给deepseek 矫正。
. `1 N7 _3 R1 |- r& G
& O8 ?8 V4 B. n5 J" E7 X$ m  S模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
; [1 j! m' F& [/ F" _
' o1 r) V% J, a" J7 k/ q+ x参考：
https://api-docs.deepseek.com/api/create-chat-completion

2 P3 ]4 ^; q! {) s8 r/ w% W  Q4，费用：
6 |6 P2 v" o- ?; S# U
! z) q& b- f1 x( b! ~3 l3 F实测：

" E' Y) e/ Z# R+ r1 \8 D296K 字母，用了 9 美分。
  B1 V; a4 V+ y- b" r. \
英文字母 到 token 用量大约 1/3
3 o/ o7 w2 X( X. h2 e: H
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
0 k3 Q2 F: n  Z3 X
32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
7 |- f! r5 [8 o( b  G- [
https://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
3 g' u1 l- E* q3 H) l1M TOKENS OUTPUT(5)                                              $1.10                $2.19

4 [! c) ~/ x; X$ N( g7 ]5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
" U: M2 k: z, s7 R' j参考：
4 e4 }" j6 L( `https://api-docs.deepseek.com/api/get-user-balance

6, Models
* `; P* ~  Y" }0 v( ^  Z
目前就两个
# deepseek-chat
( p- T$ \" _" T' F: s2 q: g$ y# deepseek-reasoner
. t, c$ Q1 m7 g/ R, a
参考：
https://api-docs.deepseek.com/api/list-models
9 u8 c6 a& [1 b. Q' L: |+ k! d
, O" U6 I6 A' U2 h, y) W. E4 y4 X
7, 问题
0 {- E/ V2 z7 L% l
7 t/ t8 f* b: wdeepseek 会将前后两段合成一段。
/ M4 b3 S: G/ e! E特别是那种大量的对话的段落，deepseek会给你合成一大段。

% h+ ~0 J& T' p; p( X" {* E8, 钱说了算。
6 H- O, t/ F+ O$ g3 R2 B
6 Z% D& X* `6 S% w) R& [1 p2 Gdeepseek 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。
: B% I% ~  y& d% H5 j  F! T. d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。