利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

8 g7 K6 w# m) w
把PDF上传，然后让他抓取文字，并修改可能的错误。
. D6 Y# B& ]* f2 x& Z7 H然后deepseek完美的完成了任务。
/ j/ ~  ~) }  R! e段落清楚，列清楚，页眉页脚全部去掉。
* b- I6 d8 U. X; L) U5 Y8 L/ I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！
4 H! S# Y; p; L# [====
中文也很完美。
经验值，每次十页比较稳定。
/ T7 B9 N& F, a  Q  p# U2 _5 ?现在我这里API还不能用，等恢复了，全自动了。
- U* c2 r1 S" g& K$ ^* y7 x====
第二次疯掉了！
* Y, N9 m/ b) J+ x* Z3 o) {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。
但是任务多了后，每次翻译的页面数是减少的。
/ a. T5 {2 n! r2 o8 r好吧，我五体投地，继续探索。
" O6 c  r6 X9 p. V% n1 {8 k9 O4 N====
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。
! |9 b& S) Y1 L) a1 P- l6 l0 N% Q. }
Sorry, that's beyond my current scope. Let’s talk about something else.
====
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。
% x  ]6 k, V0 k) ^2 E====
& M2 E, G1 s* K8 Y6 t1 Z时间段的话，北京时间的下午和晚上用比较好。
% @% k' d. t9 Y8 R' W3 s# F后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
' k8 C, ~1 a, o5 a6 |====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
% q6 {6 m! B5 k* u2 K. w. V====
Deepseek，API 看上去可用了，但是不给充钱。

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
# O) P5 W! h8 x5 s  v$ m' o  M这功能很赞呀

5 A3 l2 x. M3 ^$ g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

" y" g. L3 F, _9 ^2 |
8 q) i5 x0 u4 u: f2 f以后让deepseek 读出土的竹简

还有把古文翻译成现代白话
5 ?; Z6 `: ], V( {, e9 h, k
* }4 q0 Q4 J' G& G5 m# J! f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？
7 s. u7 x0 e& k, A$ \
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
0 y7 L4 W! u5 A1 o  V请教是如何实现的？
4 }) E( K! i0 o, h% d
/ \& ?, a( X7 b, 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 ...

% i% e+ E, x* \7 L9 G
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。
; ?# [6 E- W% y0 q& j文字之类的没问题。估计deepseek现在暂时只保证主要功能。
& d4 f& Q9 r# J% i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。
1 b/ }2 f, V3 N' J: P4 f

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

% L, d) [$ `% k- \. P4 [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/
试一下千问，估计美国人没有攻击他，所以资源敞开用。
8 t6 v$ v$ d' O1 e( C, d) F很稳定，质量不错，好像最多一次处理15页。
8 a2 y2 w' p* o* u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。
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
9 r4 _( x, s/ U* [( k! V% |" 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

  a5 M9 v5 f. T' k% V& x

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   , x2 Z1 P% C5 K: S. W, `
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   2 ~9 G4 c/ y1 e2 T0 M
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ' P( J/ n: b3 Y$ ~1 a
6. )
   ; h/ g9 A3 T/ X$ t% ]
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   6 C; r4 B  N/ e& T; J/ \/ P
9.     md.write(block)

复制代码

9 `9 v4 f* w" m$ {
要修改的内容：
9 m; e- Y7 ^3 Q; Y5 H# e3 u4.1 /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
- I1 B! ^( _6 K2 h. D/ o1 E4.2 markdown_path：输出的 markdown 路径文件名
4 z6 i6 n, y6 A4 L! h, s' Z" r6 @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。
' B( @: q" l& X% b先写个小程序，把PDF按章节切成小的PDF。
& _7 U5 O+ J2 \8 g: d# y4 O- w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。

, p. k9 Y! W* \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。
. \1 x# O- R) H3 H. j$ c3 }( [  Y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。

API到目前为止，差强人意，不如网页版本修得干净。

6 @. Q4 ~5 X/ U, O& t+ {deepseek可以同时开四个。
; ?; \" G3 T; {) p

三力思

$ {" M% @: v1 \/ O
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
+ \1 A! T" G. D5 b3 M1 [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
3 d/ q% R; [) o. o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

& {  k  o, ]5 H: S# f9 ~! [& S
& K0 J+ A$ C: u, f0 ^- @已经搞定.
) R% O( o9 B: m
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
5 e& I# ^% A; k1 F# W
0 U, o( m; s7 R9 Q3 O2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

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。
- N% J6 l& I6 e" ]5 W8 W& {* _
参考：
https://api-docs.deepseek.com/api/create-chat-completion
7 @+ r$ z7 a6 m. E: h' Y7 l& Q
4，费用：

: |& o* l) _* r9 o实测：

1 }6 _+ y! w6 B& k296K 字母，用了 9 美分。
6 W% ~4 l$ ^! @' R
3 N7 K- e, _/ V6 }8 m. R  o* L& S英文字母 到 token 用量大约 1/3

) T4 s4 z8 Y. Z9 I% ptokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
; ~" V3 F( y# d5 s. ^
32899 个字母花费 11782 tokens，包含输入输出的 tokens

# n; {) `, S0 a. l/ k+ j价钱，非常非常便宜了。
$ U% {& l& ?% F. ]
参考如下可以计算，懒得算了。
5 I6 ?; U: ?- p5 R7 @
https://api-docs.deepseek.com/quick_start/pricing

1M 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

9 `9 [) a9 s! Y/ P( p: y% j7 d5, Balance
0 q6 x1 M- `" g% [
可以在程序里调用，知道每次运行结束后，balance还剩多少。
/ s( x, W8 s& X参考：
% b! N# U- M' L1 ^# Q% ohttps://api-docs.deepseek.com/api/get-user-balance

3 `6 _2 L1 R8 o' q/ |. k0 `% _! z6, Models
, P9 a8 c' o: }7 g" q/ {
7 c* z  N9 r/ _$ `" ]$ T/ W6 W目前就两个
8 Q* X7 l+ \& f" h" ?# deepseek-chat
9 L# g% }. T" ^  ^4 V$ d# deepseek-reasoner
& |3 g9 X* i2 F& U) B7 J
参考：
https://api-docs.deepseek.com/api/list-models


7, 问题
$ T2 i$ d" d9 x! X6 ]9 d' s0 w; G
deepseek 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。

: D  P7 n# E2 p7 g8, 钱说了算。

4 H1 v& ^7 t' 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。
8 l- L2 O6 ?& o8 N8 [; G, Q% J. M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。


" z8 F! d# K) S) [7 b" ]: T