利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

) V, p& f) Y2 Y
/ K1 t, `  v$ n' W  O* b' I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。
3 |; n6 G' L) d" ?段落清楚，列清楚，页眉页脚全部去掉。
: l7 u% @# q/ L( o: C7 M& ^我要疯掉了！
( X1 |+ `3 t( A3 l. g# }$ \6 I* |. u4 X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！
$ w. P1 W7 r' O====
( T& A: Z  `8 T% H; S" c中文也很完美。
1 G9 [4 s3 L: m& k  I; \经验值，每次十页比较稳定。
' Y  L4 t0 s0 g9 ]0 L: y1 g现在我这里API还不能用，等恢复了，全自动了。
- ]7 g0 I' C( A====
8 B# a, m/ K* N2 y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。
====
: ]: n) \, B, [9 t9 B4 O6 Q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。
1 h6 b) Q; G* i3 n( V) X但是任务多了后，每次翻译的页面数是减少的。
& y2 g; h6 C# z6 f9 P4 A好吧，我五体投地，继续探索。
====
+ m% L$ C( u/ F1 D- q. i$ X: a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。
' R' n* b3 w. u4 ]- `====
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.
6 Z' ]# |7 u5 _; y0 U( _- N====
" e7 z  s- L+ n4 N+ g/ T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。
3 t0 Q  m8 V# M====
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。
! u; F* R4 v3 W2 l! e====
用千问吧，非常稳定，非常强大。
5 Q$ U$ D( h$ y4 U+ ^1 rhttps://chat.qwenlm.ai/
====
; o6 `6 L/ _1 V- w: l# h7 S) }Deepseek，API 看上去可用了，但是不给充钱。


4 P2 _* ~4 x* c9 V4 @! ?2 L0 e4 K
+ L. d6 V4 u* B6 j

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
! A- m& G* }6 d7 e( x% ~7 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
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

! E6 `3 M2 X, S6 B/ b
以后让deepseek 读出土的竹简

还有把古文翻译成现代白话
& k7 _* j8 g% d; {7 N- B: D9 o
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？
! n! A7 ?- F  Q% g) r1 H& X/ {9 M) z
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
  G- u4 _: x0 `* G8 N  F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 ...

' O' v5 g: i* I/ ~, @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。
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
, m' m: @5 t" g3 n" ~请教是如何实现的？
( M4 K6 D) c. o3 B  n9 F
9 W( l) |/ T9 M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/
8 ?  b+ n5 t& f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。
  }# c1 B& }" M% 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”。
2 V# B; ~3 o, E
% W& p. L/ [: l- _" o* [. _https://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
2 I  S% q8 H/ Z: ?) O! z3 w2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
: a; ^4 I  {; J1 I& s6 w3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
2 u+ _' k7 `8 ~' J
# b% B5 H# Y) R4 s( H4 u

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   8 y! A5 I6 h) @% n- z0 w8 }- \4 d2 m
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:
   0 n$ \# r0 _# C  i3 H
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

要修改的内容：
! W, L+ W4 C7 c: e" O; A* F+ W5 D4.1 /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
6 x! a. Q8 Z7 L- n( P8 y8 P4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

6 a9 V& Y; ?; 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。
然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
* v* k2 \. z( X5 J" k效果非常好。
6 G+ J8 a5 x$ u# S4 X
7 M5 @! A3 P7 {8 x4 S; ddeepseek，qwen，chatgpt 三个，deepseek是最好的。
0 C9 |# L4 D$ {( ?9 t) y
. F: j% v6 t2 l6 |7 E. Vdeepseek 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。
' c5 p3 V# a) E. m1 t: T: }6 k8 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 [, r  o$ V) k+ i2 V- f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。

deepseek可以同时开四个。

三力思

$ h+ x* r) _" c) b/ a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
% p$ M( y1 e$ J# J& Y3 u6 {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。

$ I0 l# h* E) I- i7 p: s7 ~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

8 Z! b7 p. k$ T/ [% Y9 O/ E
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

: \% |$ W* a1 s0 T6 E2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

5 b) g3 m; a# R$ l得到text file

+ B* y1 h0 x1 R+ k  l! q) B3, python 读取整个outputfile，丢给deepseek 矫正。
  v* g) |( o; ]. N' u! E) L
模型是 deepseek-chat
1 G  @, j! T9 z  c+ S' {
9 E7 `! a; \8 G8 @max_tokens 最大是 8192，别的不用改。
" u; @  l7 B# e5 n' M# S
参考：
0 y0 c- |6 E7 v  ihttps://api-docs.deepseek.com/api/create-chat-completion
! K) S. B6 }2 M' d2 \! [/ ]0 D& v
4，费用：
8 j* Y, S3 z" j
实测：
* w* Z/ E6 b4 v3 t
296K 字母，用了 9 美分。

, H# f) y/ U$ L7 d0 a: w( {英文字母 到 token 用量大约 1/3
8 h% ^/ ?0 R$ M2 j% m* i, E
% O7 t# c; \  ]tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

  B% P  n$ D& q/ X8 |6 g  |6 V32899 个字母花费 11782 tokens，包含输入输出的 tokens
: h! i! {9 W- {4 W7 H, `
价钱，非常非常便宜了。

& b9 f8 e' A8 T) X5 `3 ^& P. C参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing

6 d+ R& h6 `: l; A1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
) E; K: r3 v+ o6 m1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
1 @: g  E, E$ b5 b% S; B% t
4 F6 V( [7 w, m8 E: `- f5, Balance
+ B/ ~, @* Y. c! N. D
( Q4 C) p; F  {/ f5 Z: U$ \& x可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
3 ~! y+ z6 U2 e* P$ X. Mhttps://api-docs.deepseek.com/api/get-user-balance

5 W* D4 I; o+ T, k& r1 l6, Models

目前就两个
# deepseek-chat
# deepseek-reasoner
  j7 i4 l, q3 G) s# D- M
参考：
+ g8 s, T5 d' z5 z. \2 }https://api-docs.deepseek.com/api/list-models


% z' s( [0 w. s( k% T7, 问题
% W5 r# _% @3 Y. X
% }9 e* C; o" L( ]# P$ bdeepseek 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。
2 E& v( h+ I- P+ v8 r2 P7 L
8, 钱说了算。

9 q: W( `: g/ D2 a$ ~, [: b& Bdeepseek 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。