利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

6 Y# [: d0 T+ A, X; U/ L6 U+ V7 m把PDF上传，然后让他抓取文字，并修改可能的错误。
: }- k. r) S9 V4 M; A% F( r1 y3 S然后deepseek完美的完成了任务。
$ r6 X. j7 D! x  G* R0 `7 U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！
; P* T* l9 Q+ e7 }+ a& F( i====
/ @& x, p9 y/ b& ]: C7 t中文也很完美。
' ], T: X, B( ]2 T. \2 X& p8 s经验值，每次十页比较稳定。
现在我这里API还不能用，等恢复了，全自动了。
6 |6 i& w( y5 r, v5 l0 O====
9 N3 V: \' z0 X) R- f/ `! ~% Q第二次疯掉了！
& |/ z( u, ?6 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。
====
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。
7 V0 S. v+ e/ R2 k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。
- k6 ?' g) f6 X& V( V! p====
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。
5 A6 R9 q9 O+ s' h: S5 s& V- a  B( b# \====
好吧，有些东西是不给翻译的，哈哈。
% V- e, j6 x( x5 W  o6 A  w
- L( S% s7 Q$ h- i3 P/ QSorry, that's beyond my current scope. Let’s talk about something else.
, D) [, y3 x8 M% g6 K; j' A* x====
2 v5 t  p; g1 P3 d7 t然后我的英文命令也让deepseek 帮我修改，呵呵。
. l0 i4 x8 Z6 J' u" `7 m====
9 Z% B3 W% u/ g% {% m- r: x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。
====
1 L4 y; G' p$ z% @3 ^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。
https://chat.qwenlm.ai/
====
2 `2 b; y' r$ t+ FDeepseek，API 看上去可用了，但是不给充钱。

( I: r; T$ w; b+ m0 `
$ H5 j- b5 q- e7 ^& Q5 f4 w! f
" U/ P2 a2 f7 m. F3 m6 z

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

: [+ Q7 o# |- I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
* P1 p0 q. J1 k5 D$ o: P7 Y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

+ x. B8 l6 Q2 q4 g. @) ]4 d) `! n$ J: k
以后让deepseek 读出土的竹简
+ x; i1 R8 c1 J
2 U7 h. c  I, F: }, S+ {还有把古文翻译成现代白话

& h: Q& e3 W$ ~1 Q% z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？
. R6 N7 O  _/ Q& d  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，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？
9 o. t# d  |8 Y' n2 R7 s
* f1 a0 a1 K/ {+ @) Y6 ^! 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 ...

" r& O1 d. e' l! f# R% D4 t
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。
# ?+ r" h/ u8 ~! J- h, ^  o; T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。
$ i0 N- v0 B$ Q3 }

nanimarcus

方恨少 发表于 2025-2-3 01:23
1 C- O! R1 N4 S0 u8 u, p请教是如何实现的？

& \5 @/ _9 a* p0 {5 }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。
& W# m+ K9 x: I' d- B6 j1 P" p. V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。
  N; j6 K& A0 e' r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”。
% D  ]6 U' k$ R3 B
8 l- x8 ?! ?1 p$ p1 F& Ihttps://github.com/oomol-lab/pdf-craft
+ O3 }9 ]7 I/ x7 @( @0 }" _
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

$ k" _4 s3 C( J/ j6 C

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   / X6 K6 A) a) q/ d: _* W
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
   ; e7 x5 T5 i7 v- {; G9 r4 ]
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   ' Y& w, A8 R: v6 d$ L0 N
9.     md.write(block)

复制代码

" u7 U/ l( S) Y
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
$ ?8 j+ \9 q4 K0 Q4.2 markdown_path：输出的 markdown 路径文件名
. e; x% p7 y$ S4.3 /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。
. H$ l; `/ u' M- p: @- z先写个小程序，把PDF按章节切成小的PDF。
- ?( G1 r. N; V8 J7 p5 `9 o* X% X. ?然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
4 e# E, [8 F& H2 a% w" e# M效果非常好。
% l/ |( l1 n" p/ L! M3 I) P  l
$ e! S# C/ U/ ?( {deepseek，qwen，chatgpt 三个，deepseek是最好的。
$ U" n9 A8 k6 U6 I# v  z( {8 q6 ~
0 t2 g- n4 e# |9 W) Tdeepseek 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。
0 n/ w, _2 ]1 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。
2 u$ S& q! z" E4 f# X4 l我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

API到目前为止，差强人意，不如网页版本修得干净。
! y( _5 c0 {) w
deepseek可以同时开四个。
% e) E1 w) C9 D( ?& `

三力思

$ t8 K  U7 a3 O' F" [: k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
4 w1 L. E# I9 R* N; @. F6 D细说一下，听上去很不错，多谢。

/ t- I& }2 Q  ?) t9 y: u" f7 K4 h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.
; Y% @2 I3 W! n, C! }
" J$ d0 i" y0 k* d0 t1 {9 p" i首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
& m/ M) C( z9 [8 Q$ |$ X
# z" r" \1 i* d; f2 d7 b  G1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
. Q  M) ~* @5 z& D
得到text file
, q1 e& o. b2 u; M6 }6 ]; J
. I' |) {7 E2 x% x  M( [3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
1 y$ J5 k- D! P+ Z/ a
max_tokens 最大是 8192，别的不用改。

9 [! J. a) A# t; y. d参考：
# |9 m  |  N1 p( dhttps://api-docs.deepseek.com/api/create-chat-completion
1 \/ T9 Z! ]) Q) s
4，费用：
% h& G4 N& p( d3 C% E. _3 _* ?
实测：
; l) Z  q) ?- S$ _% p
) z5 y( a4 ?' e1 R, v( |296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

1 G4 V9 X' z5 C% ^0 ptokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
4 p) p9 d- q; b- n$ L1 }
) @+ A  O) _1 l! B32899 个字母花费 11782 tokens，包含输入输出的 tokens
( i* w8 }; |6 a4 Z
7 p: a$ G4 x# w( J" G, E价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
% |; B. G0 d" C7 d. {
https://api-docs.deepseek.com/quick_start/pricing

) u; S- x2 T9 Y2 t: b! E1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
8 O/ n8 V, f2 p* c# I1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
2 }) [7 U/ }7 ?4 G6 p6 K4 F  [' H  x+ E1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
; s% \; e6 p3 f! z6 f; ]
可以在程序里调用，知道每次运行结束后，balance还剩多少。
% o, U  E0 }; k/ L参考：
https://api-docs.deepseek.com/api/get-user-balance
* [) i5 H/ T: x* \1 o  S9 D
! u; v3 c5 E7 j- w$ l2 j1 \6, Models

/ N) Y+ Q  h0 d; _目前就两个
+ _8 _# H% k( i' U# deepseek-chat
# deepseek-reasoner

+ L- z, H6 ^3 t  f* a/ A& I7 w参考：
https://api-docs.deepseek.com/api/list-models

, K1 |8 a" H6 r) {* D
7, 问题

deepseek 会将前后两段合成一段。
5 x* _  F. J" G" i7 a3 u) X特别是那种大量的对话的段落，deepseek会给你合成一大段。
) u/ r- C' w, m% T  ^' s! B
3 a8 ~, W" ~, }; M8 R8, 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。
9 V- [4 k9 o/ \% \# M但是API就不会出现这种情况，毕竟我们给钱了。
6 a7 V4 s* I1 Achatgpt也是这样的。


$ j- O3 e6 k% B+ M$ J( a