利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

& z9 k- H, o% k* k; ]2 i
; j- a! R0 N8 {) }  d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。
* i* `% A0 A4 F$ k1 ~' I段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
, h+ ^& n& R# N0 l. F* Q) A9 p2 c3 h5 z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。
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。
1 q! }* R! p1 I+ m) x$ W, `$ m====
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。
====
& s2 k& P% f3 \7 ~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。
; n% Y: |. s5 j# \- f====
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。
====
好吧，有些东西是不给翻译的，哈哈。

! r# L1 t: L" x( C3 fSorry, that's beyond my current scope. Let’s talk about something else.
3 D4 A9 L2 U1 M( v( u====
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。
6 f# X; ?% C0 y) F3 q====
时间段的话，北京时间的下午和晚上用比较好。
" R! a  Y0 y3 a- z6 k后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
  q! F9 J  Z. T/ ~7 W====
用千问吧，非常稳定，非常强大。
8 s4 ?* k+ K  x0 E% `% s; khttps://chat.qwenlm.ai/
: p; R( i, D2 L5 [/ A====
Deepseek，API 看上去可用了，但是不给充钱。

0 O: S8 b$ T! }* ~: X& S3 q% k  `: Y6 K

/ e9 j5 S5 @" U! L, W; l

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
% _' o. d) E% A$ S! `2 J这功能很赞呀

& H# J" `0 _5 X, M# \, \2 R/ D5 q, 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

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

" n% D$ ?, i5 y- A: i( g以后让deepseek 读出土的竹简
2 X7 D1 w/ G' R7 b6 J, H
0 k% Z0 a- g" G( D& |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 {3 P6 v" X" B. L5 J
, ^% y3 t$ r# o  Z, t! V  s+ s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？
; D6 ^7 n6 u; |, L
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 ...

9 _0 |) x+ J3 y9 e% s4 U& d
" K, Y. ~" K. W4 f8 U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。
2 N9 s  z' i$ w9 |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! ~- k6 A& ]% G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 ...

+ C" M6 y: L  {; s& b) |3 j$ T9 @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。
: E% C; w1 {1 l很稳定，质量不错，好像最多一次处理15页。
& c# q9 K; \- @5 A' d- Y% ]/ J' |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。
6 @% g" E7 ~& v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。
# U# V8 T3 s) v- C- O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

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
& Q/ q3 q8 J/ W4. 把下面的内容写到一个文件里，例如 a.py
2 ?4 r) ?" W7 D/ ^% Q, z
/ x3 m! }+ B+ f4 Y

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   % n/ U/ }* I5 y# k# \& f, B) L( U6 N
3. extractor = PDFPageExtractor(
   ' I. e; F, i8 ^# M. [3 `+ c3 V
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   0 ]8 [# [4 }  |; a
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ' B: ^/ @& k6 t6 S2 t5 k8 f5 X8 U
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
     U  P* u/ t- c' r& x: _( O& x
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

( b. f" J& v' |: K, y) a* S' c
* d' v4 h" J6 A) U要修改的内容：
0 O' V9 {! V4 K4.1 /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
2 ^# }* o+ v5 R. N' V) y+ Y( V
  ~: Q  z' u. Y! b  F& l$ w" j3 \5. 运行 python3 a.py

nanimarcus

7 j+ W* T* p% J( b- b
7 L* P5 d/ t+ |目前为止PDF转纯文字的最佳办法。
" b; B3 ~# |. D3 o$ M- e4 q1 ~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。

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。
我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
$ w1 X7 ^& l& R* a6 p/ @3 Z! o
# b4 x0 Z3 S" i& C% m9 VAPI到目前为止，差强人意，不如网页版本修得干净。
+ }* h9 j& e! H2 ^+ J1 `
$ O9 v- E) }( @3 x- qdeepseek可以同时开四个。

三力思

! J" z7 U! [' g( x' [. D
" \# n0 ?8 L2 q) u4 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
' U3 R! P: c  }  `/ }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 ...

( f& b$ Z. Z8 ]% Q$ N# ]2 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
细说一下，听上去很不错，多谢。

- I! R/ B, Y9 c' v! t  u3 S8 p5 c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

% V, ?  b& a' T已经搞定.

! T' u8 v$ q$ e" W* z首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

# u5 V6 Q9 s( N; M2 Q1, python + pypdf 按章节拆分小的PDF
0 {6 n4 {3 \* t4 T
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
9 ]8 Q) w; w: ~* f: \6 g/ N
得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。

" u/ {: v& w. U4 E) `4 T模型是 deepseek-chat
: b3 Q8 i8 R% m) X. x4 g
max_tokens 最大是 8192，别的不用改。
3 t, e. f  P3 ^$ F
; ^+ v, p$ i/ t$ I# f6 U参考：
( U) v" b+ t& ^$ ghttps://api-docs.deepseek.com/api/create-chat-completion
1 V; ^/ W' A2 b- A; T
4，费用：

实测：

296K 字母，用了 9 美分。
; g- a' {; p2 I: o* B0 b% P: B) x1 h( p
. ?% V" I) h" s) E- X# B9 S英文字母 到 token 用量大约 1/3

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

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

: h: G( [( X6 t9 a2 U5 O: p价钱，非常非常便宜了。

参考如下可以计算，懒得算了。

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

) b) }' f+ L: e; e1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
% E* [2 D0 k1 C& {3 q+ j4 _, M
* ?& {+ g$ o0 V$ @" s! z- j# Y5, Balance

# V5 y5 o+ s; E2 d可以在程序里调用，知道每次运行结束后，balance还剩多少。
, q; O0 O; m, g, i5 ^( D参考：
https://api-docs.deepseek.com/api/get-user-balance
$ x8 E% a9 v. ]- r
' p  h5 y4 t  o7 G8 ~  I6, Models
( }5 k& z0 Q. [  }! L# r
- e" D% _8 e, c4 N目前就两个
$ q$ u0 Q/ R) }" U4 {# deepseek-chat
7 v# m1 l' U3 K! L' J/ t7 S# deepseek-reasoner

$ U/ g# G# m6 ^* s" r& H参考：
https://api-docs.deepseek.com/api/list-models
, B% C5 `+ F( y
& P3 k5 M8 g+ Y$ b7 ?9 L
/ n# y0 l: T& r& I( K0 \& q7, 问题

deepseek 会将前后两段合成一段。
) h' e. n& Q- [" v3 f特别是那种大量的对话的段落，deepseek会给你合成一大段。
% T$ u- X8 ?4 n" p8 y& }9 w5 M; Y
: |! g5 ~) [: k' c9 }& d' O8, 钱说了算。
1 Z+ Y; d) {1 B. O; z
- ]" d/ y; e% z) t5 k% Ldeepseek 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。
' K* P+ L* a/ g1 ?但是API就不会出现这种情况，毕竟我们给钱了。
% t- b! o2 m* q! J5 g- s9 Schatgpt也是这样的。