利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

把PDF上传，然后让他抓取文字，并修改可能的错误。
( p4 ~  s  s1 `然后deepseek完美的完成了任务。
& E2 n) u: I+ u" m4 p+ t) O3 J, X% B- s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！
====
中文也很完美。
/ k2 o9 k4 n& A: g0 Q, |经验值，每次十页比较稳定。
* x0 Z4 o, z+ f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。
====
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。
: Z" S! f/ t1 i+ \' n6 @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。
====
3 ^* t2 U& H2 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。
' Z$ v" e8 J9 ~# R====
; N+ Z7 r& I, u" w6 l! q7 I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.
8 `3 Y' `& C; s6 E% n====
; ?+ ^1 q5 r. I然后我的英文命令也让deepseek 帮我修改，呵呵。
====
4 E$ ]* R5 T3 Y- c7 z+ W8 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。
====
  d$ B" \1 R2 _! Z- g时间段的话，北京时间的下午和晚上用比较好。
+ P5 b( ]( M  Z+ N/ s. @" x/ H后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
! @) F: F7 B1 T5 t2 R+ r4 ^* ^2 l用千问吧，非常稳定，非常强大。
  p. K7 k8 J( v( M( Chttps://chat.qwenlm.ai/
====
  z4 U3 A1 J! V# i) |Deepseek，API 看上去可用了，但是不给充钱。
2 x9 R0 b7 [' S8 ^7 Z- D5 |

& W2 ]2 O: S2 e+ ~

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
* W8 ^7 ^: j. H. H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
/ ]0 z: {9 I$ i4 s# _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

4 ~3 }% H( k! x. M$ r还有把古文翻译成现代白话
  `* U" I  {' Q; W  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？
$ m; l& l2 v  H
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 ...

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。
8 i  I+ h0 C) T) Y6 m3 q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
请教是如何实现的？
2 ]! p5 h) r7 F, f
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 ...

* A, B5 K+ f9 U. f6 r0 [% qhttps://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。
' f; o) A3 b- x" W* E很稳定，质量不错，好像最多一次处理15页。
2 F* S' P  j8 D/ B' k6 ~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。
! r8 w' c: Z( `" k6 y4 y  u* e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”。
# `) g9 O3 i# l0 h
3 G- J" u7 }  P. d6 q2 b+ Mhttps://github.com/oomol-lab/pdf-craft
( W4 `2 q: ~# w0 g) q  M
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
( o& r+ f% j' d  r) v3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

! R7 J3 f9 M$ E" J

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   & ]' U* y, e/ S$ o. ^
2. 
   8 Y: L) j- o2 i% u" P
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   $ W' [6 Z7 ]) R' Q' R( b
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   2 l: T8 J4 C3 X8 u
6. )
   
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

8 @; x+ Q/ L  D
/ a- C) m% e$ R* y  Q# k% c要修改的内容：
! P, I7 O. p3 O0 ^! k6 J3 @- X4.1 /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. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
4 h8 g8 G3 K$ W; m8 F# `3 Y先写个小程序，把PDF按章节切成小的PDF。
# R2 j. O+ E- O然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
6 `7 }4 z# G  S+ x) U9 Y  e6 w9 |
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。
% f3 R0 E# i, |5 a$ O: b" n我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
: r* E3 A7 e) S
6 N  }9 K; h; d2 n; f  I. j; k! JAPI到目前为止，差强人意，不如网页版本修得干净。
" _; y4 G8 F3 K$ |
1 y$ Z7 U# y! u7 O2 G( e* p/ k' ^& Odeepseek可以同时开四个。
1 P' X- d: K  V# L* R

三力思

3 n3 f- `! D1 S* |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 ...

" {: Y8 J0 p/ z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。

- H" V$ l, x& l' q. q1 l7 S7 P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

2 }! x$ `7 t8 y" E- f1 I
已经搞定.
9 m! e- m! V5 V; Y
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

, A7 o. j- n% U" h1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file
: S4 K# {* }; C
- }' m4 w2 |$ F2 L) \! k4 ^3, 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。

参考：
; P- a3 J! f# `5 ~# a% \( q9 zhttps://api-docs.deepseek.com/api/create-chat-completion

4，费用：

实测：
, ?! a6 Z; ~$ g0 C# E
296K 字母，用了 9 美分。

+ f9 ~! V2 N! E+ z7 v  Q3 j英文字母 到 token 用量大约 1/3

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

% \& T! X3 }' g+ N; S6 C32899 个字母花费 11782 tokens，包含输入输出的 tokens
$ w, r4 K2 p1 z- M
价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
6 h  x' f3 c1 i0 ]
! S6 L: w0 H) R8 h# `& D- xhttps://api-docs.deepseek.com/quick_start/pricing
& Q! u3 A- J3 d( f8 O+ z) t
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
! ?6 f1 I2 l6 p" \8 C: w: j  ]1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
, Z" v' g2 C8 N) l2 v
可以在程序里调用，知道每次运行结束后，balance还剩多少。
: ]9 B* b1 _0 y1 x参考：
' ~+ ?3 N- G0 d; X! |1 n: A5 `  Chttps://api-docs.deepseek.com/api/get-user-balance
. ?8 U( y4 N; P2 B/ }+ B
6, Models

目前就两个
# deepseek-chat
# deepseek-reasoner
) J5 R7 R1 W- m4 V. u/ u5 [. m& f2 R
参考：
https://api-docs.deepseek.com/api/list-models
3 Q, r' ^5 H1 |0 b# a% r
% i2 h, K" N! A- X3 t* q6 `' K
) h% }6 |' ?, }$ ^4 V% \! _7, 问题

! e/ M! H# v- f/ h5 i  F% p. V. s* Jdeepseek 会将前后两段合成一段。
2 @, [1 L- a: ]3 ?特别是那种大量的对话的段落，deepseek会给你合成一大段。
1 M! i' p0 c* ~7 D
1 T/ ~  F7 m8 W; F" a, f8, 钱说了算。

  z3 R! {/ ]/ f  ^  C$ ddeepseek 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。
9 O: E7 r, C& A- M  k9 V
) y* M( S" Z- Q. r8 P