利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

( y+ p  _) F- L+ g# j5 K3 I& ~$ v
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。
! @( K0 s' x2 t* ]5 I段落清楚，列清楚，页眉页脚全部去掉。
5 \: O' i8 ]$ z$ o2 g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。
经验值，每次十页比较稳定。
- N1 l, u) B1 Z# l: C1 P7 ~& o现在我这里API还不能用，等恢复了，全自动了。
====
( o% t" O$ j/ ]  E* L2 n第二次疯掉了！
9 s$ X! j9 E) ^4 E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。
1 t' }2 _4 u; d====
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。
' t2 e' T5 R$ T0 g好吧，我五体投地，继续探索。
====
, `0 K- M: ?, `' ^: u4 v6 f( C9 s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。
; |0 W" j/ W6 [0 \8 z% U====
好吧，有些东西是不给翻译的，哈哈。
/ U- A0 v6 X! d1 ~5 C4 Y3 K
Sorry, that's beyond my current scope. Let’s talk about something else.
====
" N. d8 u5 u; X# F$ Z1 A5 w+ e然后我的英文命令也让deepseek 帮我修改，呵呵。
3 L- ^3 R( L: i* W+ F- j# J% a====
  E# l7 d% ?: P+ `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。
  ]% N1 f8 ^8 w, Q  U0 m6 A8 S! S7 y4 |后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
5 N. N. M5 R4 g/ Q" y用千问吧，非常稳定，非常强大。
7 `8 z, Z1 l3 K0 E/ ?. Rhttps://chat.qwenlm.ai/
====
& ^' @& {7 Z# z; I1 p$ u$ bDeepseek，API 看上去可用了，但是不给充钱。
6 Q6 s3 [& A+ N) I% N7 S
% _; `7 `: ~( n

/ U& v$ `% v% H! `- P& w4 g

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
+ E" X9 h/ y0 o4 G+ N( g8 \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

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

6 g6 J& g2 b" m
. y- \7 Z2 d% X# t5 @6 b以后让deepseek 读出土的竹简

1 X5 ^' p* S2 ?) L还有把古文翻译成现代白话
3 f0 S, Q! b' A
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？
8 I0 |8 [3 k7 [8 b
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
% t1 n! u( D( A% J# A请教是如何实现的？

  [$ W% C/ }3 K; a/ 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 ...

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。
" B; z, F' V# a: S5 X# h7 F文字之类的没问题。估计deepseek现在暂时只保证主要功能。
* \, {, Y; r( p% w1 ^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
2 s3 {; g  a0 I; F5 k6 y请教是如何实现的？

2 ], I/ N# H: J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。
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。
1 j! W8 n9 O1 Z- L7 w6 P& k" q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”。

" Q) h; l1 r/ E: u" ^% \. yhttps://github.com/oomol-lab/pdf-craft
  s7 t4 Y+ E- t1 \  b9 f$ ~6 J
1. 这个工具要求装 python3.10
' P; y% d% X4 {0 Y3 L2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
1 T  ?/ v3 e. |/ _7 _4 _" I$ o3. pip install pdf-craft
0 h& Q0 ]5 m" K4. 把下面的内容写到一个文件里，例如 a.py
& r: h3 {6 \( k/ ~! T- o

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ' B+ w. I* Y4 p& \
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. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ( K* M9 c7 Q6 e- z
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

  e! Y* V, Y) [6 p# f/ G: V. H) p" C+ V
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
" f5 ]% o3 @( i5 {4.2 markdown_path：输出的 markdown 路径文件名
: X9 J0 q* ?8 t4.3 /path/to/pdf/file: 输入的源PDF路径文件名

  H' F2 h- q7 `( E! e5. 运行 python3 a.py

nanimarcus

, N% i: [' z; f( g8 [# j3 O* [2 Y
4 ~3 A$ x1 S( p5 l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。
! q* o2 X3 x) K$ I然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
% W5 Q1 q- |2 r效果非常好。
4 A0 x, p- r- Y: X
deepseek，qwen，chatgpt 三个，deepseek是最好的。
7 G  e2 ^& a3 x: o, x  f3 \: u5 X( s
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。
: W7 G5 q' w. W2 `  {/ T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- Y5 e' N
API到目前为止，差强人意，不如网页版本修得干净。

- E( m7 L% `, {) g6 v2 tdeepseek可以同时开四个。

三力思

0 O7 O6 W. q( X" L3 h. b. h1 P
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 ...

+ {6 f% S9 b( c细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
) k4 w! S- q. {- s/ G- A- c细说一下，听上去很不错，多谢。

6 B' d2 P& }& I) k+ j1 U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

- ^# d  R. ?/ j0 H) x: c+ C0 d
已经搞定.
5 q7 w9 e' i$ i2 l3 C- r: v+ v
* k: ?( j6 G1 h% R首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
8 N8 q+ |3 Y) r  d5 j% }( M
" l4 ?6 ]3 N$ B1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

6 S# Q) _& ~0 U4 Z% _3 r! b得到text file

3 e; v. B. F4 d, _) U3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
3 g/ ~$ x" G4 V3 Y
max_tokens 最大是 8192，别的不用改。
" `6 \( E+ `" M1 D5 ]) g7 A
0 i+ w  c2 a6 r+ ^参考：
https://api-docs.deepseek.com/api/create-chat-completion

2 k7 S2 v$ B3 k8 `* ?1 ?2 O4，费用：

实测：
. s8 i3 Q- E8 m* b1 H, H
296K 字母，用了 9 美分。
/ ^$ M# [5 ~, J
, t% @8 j9 {, a5 f4 W# W英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
, U) Q9 E( w5 H4 Z+ y
32899 个字母花费 11782 tokens，包含输入输出的 tokens
  m5 t2 Q# q& V
价钱，非常非常便宜了。
! E+ t6 y! H; Z3 O. ]7 b) h
$ e6 x$ l3 m' t: s7 @1 {参考如下可以计算，懒得算了。
2 j) k3 |6 n6 t7 I  w: q& m  U; ]
https://api-docs.deepseek.com/quick_start/pricing
5 J  s. e! e! F$ T* u" ~
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

5, Balance
9 N& Z" R4 g! p
可以在程序里调用，知道每次运行结束后，balance还剩多少。
6 H( n: z- l  X5 O+ b参考：
https://api-docs.deepseek.com/api/get-user-balance
; _& \. Y& q2 F. O) t
6, Models

目前就两个
  g4 W3 [- z, T5 r/ |. B# deepseek-chat
) S3 [1 M# ^  ^7 M/ y+ l# deepseek-reasoner
  l  V/ o( e2 u7 @* R5 d* }
1 M$ j0 D* [) H" e2 [$ Q参考：
https://api-docs.deepseek.com/api/list-models


, I7 k* t1 A. P" r; v, {' X. c7, 问题
2 E# `7 P6 ]9 @0 C3 r: j, c
deepseek 会将前后两段合成一段。
9 \4 T% j9 t' O4 m+ Z# g' g特别是那种大量的对话的段落，deepseek会给你合成一大段。
% C, J# T$ H$ l$ A. P1 O' e
# w1 c7 m9 G! d8, 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。
/ d9 Y0 ?2 k- d" o7 Gchatgpt也是这样的。

' c% {$ }5 c0 b! x( \