利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

& D& B) q  o4 |7 c. i( L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。
) A% g8 |6 c5 Q0 p段落清楚，列清楚，页眉页脚全部去掉。
2 p  F' E7 k3 J我要疯掉了！
& L! V7 e. ?9 g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。
, [" @3 p& h! ]经验值，每次十页比较稳定。
0 x% D. F4 X/ _) f! P" n8 z现在我这里API还不能用，等恢复了，全自动了。
====
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。
7 G) z6 f2 A( p0 n# X7 }====
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。
% Q; K3 I. R- `3 e0 c* t' E$ `但是任务多了后，每次翻译的页面数是减少的。
9 R# c7 ~" Q: p  i  r好吧，我五体投地，继续探索。
4 E! z3 M; P8 {$ N====
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。

Sorry, that's beyond my current scope. Let’s talk about something else.
====
然后我的英文命令也让deepseek 帮我修改，呵呵。
4 _5 _/ b1 I( H1 k$ }/ H4 S1 x! M3 `& D====
9 D6 x2 {" E$ p5 M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。
: [2 `" U* c9 ^* P====
) E5 l& t1 q$ Y时间段的话，北京时间的下午和晚上用比较好。
0 T& \3 J2 y2 l/ U' R( `* @) |后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
6 i$ U9 F7 P0 H8 r; j用千问吧，非常稳定，非常强大。
( O0 J& ]- ]3 v: F% ]https://chat.qwenlm.ai/
( F+ J* H& h0 ~7 b====
( Z2 E" n4 H4 Z& _Deepseek，API 看上去可用了，但是不给充钱。


8 u& F$ k) o, c% a& o7 r! N; O0 j

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
4 w+ z) P1 Y' r8 C8 l. ~" o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
2 f9 b+ H; J2 l" l; D# f1 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

以后让deepseek 读出土的竹简

" U) K  v$ {7 t# i& l% W还有把古文翻译成现代白话
8 K, y3 ?, U: J
& `+ B, I! [. o3 T% H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？
) q, F9 _) ?% c# N
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？

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 ...

4 [6 b# F9 M1 u0 S+ a! r" b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。
8 J9 c, O; l% M! y+ }: z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。
4 R9 n* Y8 e& ]/ N. ?

nanimarcus

方恨少 发表于 2025-2-3 01:23
2 C: L( W, L& k& _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 ...

https://chat.qwenlm.ai/
; A$ ~" s  C# P! Y& R) u试一下千问，估计美国人没有攻击他，所以资源敞开用。
" ^% _) [+ F+ l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。
, U# r/ M8 g0 K) D$ v2 a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”。

https://github.com/oomol-lab/pdf-craft
) |% S& G- l' \5 g) M
- t3 ]$ J+ _- Z! C* b1. 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
' f; j8 p. T$ e) E3. pip install pdf-craft
& ]; B) c' j2 `6 q# N4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   6 \9 }1 Q$ [1 y
2. 
   # Y( _( n7 k2 O+ c5 k  A3 B
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
   * b0 R. q, k: j3 G
6. )
   ; z0 t- }4 Q: t$ ~
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

$ ]# c& [! S0 t( H% g, E
( {! K4 B6 \. e6 J" _5 u要修改的内容：
$ B) F" _6 c* m; z2 P' Z4.1 /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
( F% J$ t5 e' Z4.3 /path/to/pdf/file: 输入的源PDF路径文件名

/ Z/ Y, F5 R* l" D9 z8 _- q' `/ G' |/ g5. 运行 python3 a.py

nanimarcus

9 Z' h# b4 T: [  H1 w2 l1 q6 R
2 K8 I, x3 W6 a6 y. [$ O5 t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。
( Z3 v5 F4 P4 f8 B3 L然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
. R( ?% w' _: ]; o. q5 k( N效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
( _. [2 P. N  W
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。
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。
1 i+ L0 ~0 ]  G0 K3 g我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
# O: \3 C7 h0 @* a0 d
" z3 K" }  a1 X# S; S  N2 U: YAPI到目前为止，差强人意，不如网页版本修得干净。

6 p# A' I, m6 Rdeepseek可以同时开四个。
- R* |0 e( Z7 P' z  y5 D5 X# Q. t

三力思

8 q2 F" B  j8 E& z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
5 h$ ~  V/ h! }# a  |8 ~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。

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

3 W4 X7 K( v  @. U. t$ `已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

1, python + pypdf 按章节拆分小的PDF
0 S; `& p# A$ k+ o; Q# N# B( X
: I( Y- l  D, h) |; \& b: I2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
1 P! [5 v# y4 o3 n* l& Z7 y  Z  C
; s  P5 B" Z7 n+ V; j& L得到text file

# z4 J1 D' S! i+ `% n* N3, python 读取整个outputfile，丢给deepseek 矫正。
7 u4 J# X  r4 u: @( b- y0 }" R1 a; @
模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion

& O) U* j, p& g7 N4，费用：

) R; Z8 B  J/ {% {, e实测：

- W1 ~1 o( x( \7 @# l' f. \$ n296K 字母，用了 9 美分。
/ L0 Z6 R8 O- f' J+ W' ~
! V; a- j9 v, B. \! f9 ?0 `  L英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens
" ?* g$ n0 L6 g: c
* l3 @' V2 p+ c, X& ~& |2 x价钱，非常非常便宜了。
- c  M; i& s% O  R+ q  v, y
* S# o5 E0 r; w) h参考如下可以计算，懒得算了。
1 @+ v- [9 M' n3 ^" _
https://api-docs.deepseek.com/quick_start/pricing

6 c9 K8 _! S  u. ?( Y" f1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
; e/ Z6 L3 f2 a! `1 Z; }1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
+ P% {: a, U6 A4 I2 }1M TOKENS OUTPUT(5)                                              $1.10                $2.19
: ]3 @: P6 m' s% Z* J
4 p$ x& N. V7 Y/ X+ X& R: Q* u5, Balance
/ M! Q% H1 ]3 f: h: ^& p
" m6 r- H, B# M/ a可以在程序里调用，知道每次运行结束后，balance还剩多少。
& S; }6 w& t2 v( z0 `4 N参考：
https://api-docs.deepseek.com/api/get-user-balance
/ h4 R8 T) t1 e! i0 a" h3 H9 a
6, Models
+ q& A  w; u/ \4 _( \/ D' {
目前就两个
# deepseek-chat
9 b3 \* c+ x# S- r# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models
+ ^, k; D) M! L- M& m8 j

" G3 L* Z2 P4 g. C7, 问题
7 R9 I. b: C* e1 h3 U% v
; S7 S" ^+ @$ k4 ^* Ddeepseek 会将前后两段合成一段。
特别是那种大量的对话的段落，deepseek会给你合成一大段。

5 u. X' X+ k1 g8, 钱说了算。

7 G/ T7 e, u5 r1 E1 `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。

0 i. a! ~$ y) c( ?
* V+ i! v. ~4 N# a' ~