利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

9 s+ x; C% [6 N9 S把PDF上传，然后让他抓取文字，并修改可能的错误。
0 D. O9 B& O2 y0 Z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。
5 u9 N& H: u( v; ^3 }" I4 K. B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！
, |- [2 g8 O  D4 l4 Y/ Y====
中文也很完美。
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。
====
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。
# P" I8 |+ e2 p2 [) 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。
0 X1 t1 r  ?9 y2 t1 R& D但是任务多了后，每次翻译的页面数是减少的。
! U* k" |7 f& a4 U# c9 u好吧，我五体投地，继续探索。
5 H0 _9 Q3 L3 O9 K====
1 j2 T* T5 ?/ d: v; y& Q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。
====
! H# h/ C- j3 ]% M$ l好吧，有些东西是不给翻译的，哈哈。
/ q7 o3 w4 u* V6 d3 D
Sorry, that's beyond my current scope. Let’s talk about something else.
* `$ f7 u2 z: T5 ~. B====
$ s6 Q- R, ]# F5 w2 _然后我的英文命令也让deepseek 帮我修改，呵呵。
: B5 u2 Z$ ?* V9 `' {====
, J# Q; u3 H/ Q! c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。
* j2 q% E; F4 p  s====
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。
====
* m0 p4 e  o: x3 M6 R用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。
4 y' W9 \8 ?, a3 l5 \6 r

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

  T' d3 C" a" s9 b( R  v! E6 r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
9 o! M) P- t$ y, p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

! [! A7 z1 ]6 b+ E4 S6 a5 A% h% t% Y! P: o
* F4 M( @  c/ T$ }3 N以后让deepseek 读出土的竹简
  D) q* k' o4 a
; r6 g+ s3 G1 a0 D. q8 S+ G, ~- c还有把古文翻译成现代白话

- o7 k% K; U- U% ^7 Q0 G) K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？
4 G3 ~3 @; U1 u" D
- ?- p8 a6 `  @0 E, ?6 V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
* d; b) }" M1 E! V9 D- f, W+ ?' e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 ...

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。
) K4 x3 M/ l+ e" K" V+ F( [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
% ^" H: D5 |3 Q3 [0 H/ b; y  I请教是如何实现的？
, n8 ]' |  _, |: _( f8 D* o
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 ...

! G+ C+ `; B4 g% v! p# qhttps://chat.qwenlm.ai/
2 T: t! g) B) ]; M9 J. i6 K5 e试一下千问，估计美国人没有攻击他，所以资源敞开用。
- E# U" j$ z  f* D: C+ c5 i. n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。
/ T* U4 C0 e8 X8 q# p% F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
. c9 Q$ X7 m+ Z, q
9 ?5 K4 H' R. z* E: S8 m1. 这个工具要求装 python3.10
' L- d: o- j/ X' g2. 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

& `" ~; c8 @# o3 \# j( x

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   1 Z- K; f5 B8 X" D6 _
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
   + v: F. y& E/ T. ^; W3 p; c- [/ }
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   - H. p+ [2 e0 a& r1 o% ^
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   3 [2 p0 M* A0 }: f) a3 [
9.     md.write(block)

复制代码

5 {" {  _% U7 C% `
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
  Y% T' u2 r& U6 h* s) T! l4.2 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

0 k/ [1 ^0 ?' J% S3 y# I: e2 [5. 运行 python3 a.py

nanimarcus

: p. k1 K5 K6 k" L3 R2 N4 E' e+ f
' ]9 y. J9 A( L* d$ w2 u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。
效果非常好。

1 |( N4 s* F8 T) _* Y0 B" ?deepseek，qwen，chatgpt 三个，deepseek是最好的。

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。
8 t8 i% [; N6 B$ z0 W* Q) ~3 t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。

: _! f! l4 i# R; ^0 V8 ldeepseek可以同时开四个。

三力思

; i6 {* B9 G# w6 n1 D
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
6 C+ |: q% S# I4 l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 ...

' ~& N% K" C, \9 }& P细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
; k9 [6 X4 S2 S6 |6 W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 m9 {) T5 i" z. J) n$ d
, E7 W& J6 g8 ]0 A已经搞定.
" d) j0 o, o/ m( {% A
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
- x2 N, K0 G) @$ F8 Z
9 c3 y7 g- J4 ?' j$ U; f/ D2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

5 Q4 r3 k8 {! w! w3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
) G7 x5 H8 d, k4 X. y
8 X# p) \0 H; D参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：
7 G8 u1 q( Z0 O8 M
实测：
& V# ^) [! E! A. D8 Y* N9 D
296K 字母，用了 9 美分。

9 ]5 i  Z! C4 A$ x( g8 K英文字母 到 token 用量大约 1/3

+ I3 x1 Z7 Z6 X/ J+ y  itokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens

, X% i. X8 `4 i0 I+ X价钱，非常非常便宜了。
  a" S/ e# r& \' {1 r
5 k- B" _3 e; M/ ^$ U. B3 U; J: h2 U参考如下可以计算，懒得算了。
% b/ a6 K/ _3 Q7 L* `
https://api-docs.deepseek.com/quick_start/pricing
$ H# I7 e3 y7 \$ F
9 i2 H* D4 t# }. @1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
# j4 R+ u9 U# ?2 B& Z1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
& J* v* u# {1 L+ L3 n& h4 x1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
' T3 T, y* r: t# z$ i
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
; w! o+ O- S( ?- h' f1 |3 S
( j+ U  |9 j, n) V6, Models
$ u7 x% y# L: Y
目前就两个
# deepseek-chat
& U7 w1 ]3 H( ?3 y# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models


7, 问题
' o4 k* e2 e: Q+ R# C
deepseek 会将前后两段合成一段。
4 b  [" M1 h8 G5 Q7 l特别是那种大量的对话的段落，deepseek会给你合成一大段。
$ H4 a/ h8 G  X+ r2 b( T
8, 钱说了算。
5 _, R8 Q- K+ n/ K; m1 M0 Z5 F5 Y
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。
& Z9 I" X- s: _但是API就不会出现这种情况，毕竟我们给钱了。
# O$ g* U5 |* |& f: b- o0 wchatgpt也是这样的。
# u7 g: c4 B4 D% I+ Z" `
4 L: J4 M1 }) D/ U" \