利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

! p. k9 R' [0 y, a把PDF上传，然后让他抓取文字，并修改可能的错误。
' ?0 E" C; ~! {; p: C9 V$ J  n然后deepseek完美的完成了任务。
段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
: w& V/ ^! i" E& H: T) [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！
: B. Y2 @5 N0 ]% k- Z1 c% }6 X+ ~====
中文也很完美。
" V* f: L! J( L! l5 r8 R经验值，每次十页比较稳定。
0 o# {5 ]- g5 Z$ O6 x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。
====
) m5 X5 m  ~! n/ n' v1 Q) j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。
/ Z  _5 H7 A/ [' e! \& J0 |5 H好吧，我五体投地，继续探索。
5 h% |. I* {  B====
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。
& ^1 p2 W$ [$ Y: w0 D====
好吧，有些东西是不给翻译的，哈哈。

( i* n9 }7 g# G4 I) ?6 [+ `* n5 USorry, that's beyond my current scope. Let’s talk about something else.
" X" H- f& }4 g====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
6 i8 K' v  k, W% N$ v) `( 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。
6 n0 H; i5 p' L4 z9 [, B) Z& l====
5 h1 q) f0 e8 h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。
/ U7 n( u# ^- D$ q# P! \====
用千问吧，非常稳定，非常强大。
9 G* k2 n. i0 y8 N6 Khttps://chat.qwenlm.ai/
====
% ]+ q' z; c) {1 g1 Q' ~Deepseek，API 看上去可用了，但是不给充钱。
2 Q! r) c3 g& M! ]/ ]3 O4 @/ D/ h

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

. X! {! v6 Z* j( w: @7 s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

3 D6 H8 B- t$ e8 c" o/ z; L' L
以后让deepseek 读出土的竹简

: f) x) ?) _) j3 v$ v9 i/ w还有把古文翻译成现代白话

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？

3 D( V$ z1 o% P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？

  D7 C4 _" ~$ W) V3 S6 L; @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 ...

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( F% n+ `0 o* T$ \- F* v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。
% m3 j1 s8 L& L2 J5 s( a$ r

nanimarcus

方恨少 发表于 2025-2-3 01:23
, e& Q+ c# |. V& _5 G4 E* \7 s请教是如何实现的？
9 n  L/ n' z: `) s' j; T: W* z
" I$ X1 A# w9 J9 Z7 Z2 w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。
) c9 N7 ]2 Q, N" H" D: e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。
3 R% Q9 Q8 [3 `. G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。
8 q4 z# r6 q2 `' {7 |+ c8 `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”。
  \# L: a7 a, R$ ?+ w  ]7 I7 `- j
8 n0 z4 e6 {5 g) U, I: Q+ n' rhttps://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
/ v" U1 J( {$ {2 e! U2. 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

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   : p2 s7 J& l1 [) H: F
2. 
   
3. extractor = PDFPageExtractor(
   6 ~" ~' Q* K5 _! }/ U! o2 k. ]
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. )
   + Z9 a& d7 a9 m4 C$ @* }: c
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   % H/ O2 q. J, p: m, P/ ]
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   0 c* v/ `8 F; s1 E4 v3 n/ [  Q
9.     md.write(block)

复制代码

  a* S! k2 e4 h* S2 ^要修改的内容：
% U% ~- i8 F* D+ Y4 N4.1 /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
4.3 /path/to/pdf/file: 输入的源PDF路径文件名
" {5 A5 ~5 ^: S# N. L
# E0 p7 L1 i6 }1 s5. 运行 python3 a.py

nanimarcus

2 G7 K4 c7 s7 g5 ]
目前为止PDF转纯文字的最佳办法。
, s2 c+ ]3 h/ u; P. `* p( `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。
, W  X7 a' J* d效果非常好。

) B5 z6 G, v% v) M& t3 ddeepseek，qwen，chatgpt 三个，deepseek是最好的。
! O2 v" J; @3 Q3 L- Q' c
" U1 |- V, h% {: Y7 g/ R" U  Xdeepseek 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。
* D4 l/ ?* S/ E9 H# E& E- D/ T  O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。
9 G6 G. M1 T( t% U我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
3 p5 S$ W* n5 x1 O( G
API到目前为止，差强人意，不如网页版本修得干净。
& }' f0 S$ z2 E0 m+ V" N: z) F$ Y
deepseek可以同时开四个。

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
- d& {5 y$ i1 d; J+ `& j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 ...

) c. p7 R' G: V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。

& V0 G) U* i6 I* D$ K# 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

* y: i9 {$ v% c4 v7 q& }5 _
已经搞定.
0 c- Q4 ^& W  H; h$ g
# c; |6 S% K' _+ W$ d7 I8 e' g首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

6 w% N# ]3 Z( I+ i4 t1, python + pypdf 按章节拆分小的PDF
: x% m9 d0 _  ^5 g' j* j- l' E
. o4 U9 `% D/ j. }" d( b0 ]0 \+ `2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

# o& H+ x$ Z  Y4 p7 v: r1 Q# f) O7 k得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
0 ~  [/ T$ t4 U9 P9 t7 K
模型是 deepseek-chat

: s) {5 c/ }+ b7 l# amax_tokens 最大是 8192，别的不用改。
* i* \. e# `+ u1 V( D
参考：
https://api-docs.deepseek.com/api/create-chat-completion
' I9 E& L$ F+ y7 F( }4 [
4，费用：

实测：

+ d5 d, b7 y1 x. M3 F296K 字母，用了 9 美分。
: }9 _! k4 N8 J# S) I0 V' m& Q
英文字母 到 token 用量大约 1/3

; o$ \& k) ]( w' u9 Mtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
* |2 h& ?8 T3 i& k7 j
32899 个字母花费 11782 tokens，包含输入输出的 tokens

) o  S9 \* B8 u6 v: D5 k0 i/ o! Q" j价钱，非常非常便宜了。
' [' K; P2 N5 m! N
+ F% B! B) e4 ?+ m: M# u2 m参考如下可以计算，懒得算了。
% @* v  |  [; W  z) Y
# a7 |6 w; ^" m0 D8 l* a" A1 m, v) @https://api-docs.deepseek.com/quick_start/pricing
( n" W/ E% T9 P& @  h& Y; Q4 g
; D9 B' z( T7 J- K1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
' Y3 q* o( q6 t; S/ d) l1M TOKENS OUTPUT(5)                                              $1.10                $2.19
2 z4 V( L5 A4 F/ \0 k$ p
* @% s1 I1 J& |( u& {5 |, I  k. T! d5, Balance

8 C1 b1 j. O8 q5 o9 f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

$ Y2 W) u3 b9 Z0 b. @6, Models

目前就两个
# deepseek-chat
# deepseek-reasoner
  D2 l' U0 K5 Y# o
5 n, W" @; a( U, V! Z9 n参考：
https://api-docs.deepseek.com/api/list-models
2 k; U7 o4 M+ \) S: ]+ o' c
6 }* r7 E$ M# y6 [5 h+ J
7 g4 Q; U$ p: e3 Z7, 问题

deepseek 会将前后两段合成一段。
' [2 W3 p  T/ L7 n特别是那种大量的对话的段落，deepseek会给你合成一大段。
2 ?# k# H, B# Y: H" \+ W* u5 A
+ r2 w+ _/ K: N, `+ ]8, 钱说了算。
$ K: q# N0 a; x2 U. A! o- g" k% G$ B
. }( e" V# r. i0 Ndeepseek 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。