利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

- ]5 v' L: M' y% J, |( b; J! B4 a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。
段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
! @$ Q, m6 s/ Q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！
====
$ ^8 \5 f1 z2 v9 u# @  n9 B( ^中文也很完美。
& `3 @, l3 B2 `2 Y2 t8 j# c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。
====
: p: J+ g+ O0 m3 e; O1 u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 x2 w7 k* }$ Z! u* O8 b+ X====
: X7 y4 G, y0 G6 v, i+ d* z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。
好吧，我五体投地，继续探索。
# V% h( `- W' H& C3 V$ u+ N. _% V====
6 h2 t; H: u8 F6 k; J# O8 U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) `6 d, _2 P  J; d3 Q" ]好吧，有些东西是不给翻译的，哈哈。

7 g8 n; I& H" c0 z8 vSorry, that's beyond my current scope. Let’s talk about something else.
8 U2 ^! P# P5 r' x====
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。
====
5 T! h& e2 C( j8 `. M3 C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。
====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
) b0 E, D3 Y1 d* r====
Deepseek，API 看上去可用了，但是不给充钱。
1 }7 V7 w" w1 J: N8 ?: D3 V  D1 Y) k
# Z( o' i4 e$ x

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
/ z# H3 l6 d0 a$ g- u5 G7 ^! S! X这功能很赞呀

0 k1 l" r' S  Q! h; b: U  K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

# e, W; t/ I* z% Q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

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？

# n) X+ p- P4 e  k+ ?. R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？
. s- [, }# Q8 v- i
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 ...

# t: n5 a$ a7 q2 p
$ }% ^8 D- _% o/ U! A1 b0 Z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
2 u) Z8 j9 N7 Z  I; O! b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/
; P4 |" p# c$ J( w; B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。
! i# Z9 r/ A/ J& u$ ]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”。

! n# R1 U' e  \https://github.com/oomol-lab/pdf-craft
2 q0 Q% P4 k7 X9 f1 E9 i2 H
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
3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
# y1 X2 D9 T' I& a
9 T; Z6 f: o. K: Z) W

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ; y- ]" B4 X2 ]* O* y6 H
2. 
   7 u/ M5 G4 K" A( e: o
3. extractor = PDFPageExtractor(
   4 d+ ]* N( P' B6 D; x8 {
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
   - k' ]0 x! V! D" S6 X# Z( r. N/ J
6. )
   1 a, s! m" `" b3 A* _
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   ( T- Q1 A9 p; r' n0 S; M; D8 A
9.     md.write(block)

复制代码

# `; G7 Q" N) M
" [, e1 T" s& @9 r' R$ z4 L要修改的内容：
7 V- n+ \3 |5 I+ u/ M. ~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
4.2 markdown_path：输出的 markdown 路径文件名
& G/ T7 w3 {, ]) V# U4.3 /path/to/pdf/file: 输入的源PDF路径文件名
2 o/ s& Z- ~9 L. p! i# F6 s$ r; L
1 A% k7 ~, V5 v) A: C' A4 a5. 运行 python3 a.py

nanimarcus

3 X3 I7 T5 H7 X# C( M目前为止PDF转纯文字的最佳办法。
6 x# E" l- z+ v- E# }先写个小程序，把PDF按章节切成小的PDF。
" k2 a# w( B7 a然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
+ x% N% \# f0 Q效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
" H$ T/ L, U' B: O1 g' `
  D* V. f2 C4 K' |, c. e7 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。
7 O6 b. W: o* I$ [( F) y2 C$ q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。
" O" ^+ y% k+ r! @2 f3 T* O$ J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。

) l1 t: P2 ]6 ^$ ]! ?( jdeepseek可以同时开四个。
0 E# T  s' K: u/ G

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
% X& N8 ~% K, x' @$ \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 ...

7 |( E' [3 F( M" O. f. {4 R4 C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。

( X% H# [5 \/ ~, D9 D5 g! v, X2 D! Q) F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

  s) m% R  a6 _- r1 O
已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
" I& \! K( E' i: _+ P' ?
( Z: J4 F. L- v( x& k8 \/ v$ t1, python + pypdf 按章节拆分小的PDF
8 m, A% L/ E; R/ L4 W6 z
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
  J+ Q5 Q. o) o5 r  f+ d
8 J& @" I9 I2 e5 ~7 f$ }得到text file
4 @$ e7 J! {- w
8 e9 |. B# q8 ?. |- E4 k3, python 读取整个outputfile，丢给deepseek 矫正。

: k9 ~- i5 ^0 w模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

参考：
- S4 L4 e1 U. a' r9 N/ M4 e1 Khttps://api-docs.deepseek.com/api/create-chat-completion

; Q' w' N4 F) ]% b7 B4，费用：
& f5 R0 U  m4 K7 w& z! J+ ~
实测：

296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
) P8 ?# `9 t: Y+ e- h
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
' g) x, K" u5 L$ w3 m- V- Y2 u& O
32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
8 Q' E7 i) X% o3 o
参考如下可以计算，懒得算了。
, b  F7 ]- A, ?0 q: y7 Y
https://api-docs.deepseek.com/quick_start/pricing
3 V0 n. ^; I! `+ [0 t; i) L
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
& u0 A* a6 z1 C6 _2 D1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
4 g0 L7 r1 O* rhttps://api-docs.deepseek.com/api/get-user-balance

2 v8 |! j& Q6 ^$ D' v8 Z" X' X6, Models

目前就两个
# deepseek-chat
  H0 b! b' m/ A' k$ a5 P) k# deepseek-reasoner

参考：
) I6 e3 L& T) q/ jhttps://api-docs.deepseek.com/api/list-models
5 y6 Q' Z% A" }- Z+ Y1 m

7, 问题
6 l5 \; A: J' [/ P
deepseek 会将前后两段合成一段。
  P1 a" H& k' r$ C6 C特别是那种大量的对话的段落，deepseek会给你合成一大段。

6 r2 ~' Z; U. N2 B7 o" z, i8, 钱说了算。

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。
% K3 T5 [5 T7 i, schatgpt也是这样的。


' j& _& v" z8 E% g$ \( |7 N$ m