利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

8 L: ~  v# ~" Z把PDF上传，然后让他抓取文字，并修改可能的错误。
. [) E- _% p8 v( V* V$ r0 R0 e7 w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！
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！
+ Y) k; _% m0 @8 Y====
中文也很完美。
经验值，每次十页比较稳定。
, k& n0 W! w$ y现在我这里API还不能用，等恢复了，全自动了。
8 h3 f# x+ A1 v! O====
( e+ c5 ?0 n  a, V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。
& Y, M& K" V& A& C; G: D2 v/ P====
& z) e. P' ?% H5 }. y7 @/ |; r) ]9 K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。
9 w9 d  p/ e$ {  ]6 }' x====
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' k/ j1 k- P+ t2 `* z9 @7 c====
好吧，有些东西是不给翻译的，哈哈。

  e( [- K& \& B) N! E5 l" hSorry, that's beyond my current scope. Let’s talk about something else.
! W1 Y1 H1 j; F9 l- R) S====
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。
& g5 u. z5 o( M! m6 q====
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。
. t8 [7 T1 @0 b; D! }6 t* A====
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。
' s2 Q8 I, @; T6 r
0 f2 B5 y0 J& Y6 ~+ S- M; J

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
7 m0 A$ G( d3 L' [, j  d  i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
有没有上传整本书试试

. ?7 N8 g5 U0 X+ 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

' `2 ?0 X% }$ z! I以后让deepseek 读出土的竹简

还有把古文翻译成现代白话
/ m0 K( d# r; Y3 j6 e4 E, W) Y' ?
6 d6 g. x' g2 c# k! u% p  m3 U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？

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？
- a% c- S  \: n, X' N
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 ...

: @" P3 N! M# q5 {& P: k$ h4 H, h
' H- ^5 u/ t0 ~* U4 d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。
1 L1 I+ k) ^0 W% h! G: b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
4 O0 Q( Y0 l1 R请教是如何实现的？
+ g* A5 e4 u% n; x9 k
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/
3 T7 r0 B: b7 O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。
$ j3 S- X+ t/ h$ w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。
/ e0 k  ]' C2 f3 `3 m. V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

7 X% ?2 J; ^& }4 I9 u1. 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
" M/ E# G, ~1 O6 R4 f3. pip install pdf-craft
+ [) @% I# k/ s5 y, G4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   & j( G9 N5 L" k6 `
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   & ?4 d( b  [) L2 O6 M5 j
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

# ]) H; ?! J1 C( c# U要修改的内容：
3 D) O) a: h- i+ b6 Y$ O/ J4.1 /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
2 @/ t" V' W# I4 g4.3 /path/to/pdf/file: 输入的源PDF路径文件名

" C% |% Z3 l6 E: z; y0 E4 m. Y5. 运行 python3 a.py

nanimarcus

% N  W- l6 R2 N, I; @目前为止PDF转纯文字的最佳办法。
! a1 z- o1 P5 \5 g6 M5 g) o先写个小程序，把PDF按章节切成小的PDF。
+ X; W. j+ O0 k然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
' |& o1 h( n: F* i9 T: p
deepseek，qwen，chatgpt 三个，deepseek是最好的。
% J9 \- i, N6 f+ x; K
. I! w* c3 ]- S9 y5 x6 b1 \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。
+ g3 n; G& o$ F; B! e- V, N. @我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

) L; i: B* g) ?. A  B6 r/ BAPI到目前为止，差强人意，不如网页版本修得干净。
$ O: L: `# e( x/ B( B, Z
, L7 v7 W5 W6 y4 E/ y: |deepseek可以同时开四个。
& L9 g5 M- q+ w0 l

三力思

- T2 N2 n$ V2 a" 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

nanimarcus

三力思 发表于 2025-4-17 12:26
  S& E! p& I1 ^8 T. A% I/ p' n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
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

9 e' N3 e6 T) J( o* Y! t( ?* [
已经搞定.

9 {" a) V1 s8 k9 X9 {首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
3 O7 a( Z0 }) f. x
8 @* ~7 @9 l$ j# e1, python + pypdf 按章节拆分小的PDF
% E; o4 g* ]( [" u6 K. D
2, 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

$ p# D: z) f1 h5 k& x% R# ^max_tokens 最大是 8192，别的不用改。
% i7 I! Q# T& O
: Y+ o) \9 }9 b' ]8 d参考：
https://api-docs.deepseek.com/api/create-chat-completion

- l$ A2 v# O7 [; @2 m4，费用：
3 m6 j! ^; F- Q4 e9 n6 M1 E$ Y
实测：
2 N. C0 T, e- }( F" W+ S4 A4 I
2 {# X0 B7 ~, r7 H/ Z" ]296K 字母，用了 9 美分。
6 y7 c( I  M' e: m$ A% C
' S6 l9 p# p) c9 H3 A( a英文字母 到 token 用量大约 1/3
/ Y- A, D* [. E, |: j
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
1 i1 |, {; q1 r% o. P5 n
7 D! L  I% e. ?$ m5 N* r价钱，非常非常便宜了。
  x$ A( m$ t7 E8 J% a
! P) i# f3 ~( v8 l4 q& D8 p, E4 p) m参考如下可以计算，懒得算了。
- c" j+ t' {+ ?2 C
! T0 {% v( y, rhttps://api-docs.deepseek.com/quick_start/pricing
" b  b. R1 h1 o. O$ O$ V
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
; m: i+ E. @* G. n1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
8 J+ {. U, g, r* |6 F4 y1M TOKENS OUTPUT(5)                                              $1.10                $2.19
% x  y# y2 {+ x6 N4 k) E
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：
$ J3 ?/ {: c( w9 t5 }2 |- Qhttps://api-docs.deepseek.com/api/get-user-balance
8 w+ E$ Z/ s$ ]
6, Models

; J$ L; _( K0 l, S/ h目前就两个
# deepseek-chat
# deepseek-reasoner
2 E3 }7 @% |  D4 A* Q& X
. m6 r% A9 {8 n, r8 f9 O# q$ M. E参考：
. g, G& D. \! _2 }4 v- T" a. rhttps://api-docs.deepseek.com/api/list-models
* Q! T, x  L' Z1 d( T) W

' K% a7 A0 ^/ w* k7, 问题

deepseek 会将前后两段合成一段。
& [& A  ]$ J1 l, X特别是那种大量的对话的段落，deepseek会给你合成一大段。
( p0 p# @2 ^+ \: z
8 ^* K. b. G  N8, 钱说了算。
* m  x8 D. x* `) K9 r
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。
chatgpt也是这样的。