利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

( D5 h5 c3 W9 X+ j+ D! ]& c  j0 ~把PDF上传，然后让他抓取文字，并修改可能的错误。
1 C6 F$ x5 d; U- w' B然后deepseek完美的完成了任务。
- b: l4 n0 h: n7 S% o  F段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
" n0 Q# F) e1 y. U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 \9 x% N% {8 I7 b====
0 ?6 |, L3 N7 C: _6 T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。
7 N& ^" d* E6 b8 X" }====
第二次疯掉了！
; ~' e6 n% Y0 b6 G9 s% k4 g% W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。
3 o5 F8 t; j, `1 |0 {- o5 `====
7 Y( d! }: N. Y+ y6 o4 n' V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。
: V1 ]) z8 r6 M" \9 a$ K  |====
( c; l3 R+ T9 U0 n0 J) m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。
/ K' j7 l4 d! {9 G====
好吧，有些东西是不给翻译的，哈哈。
) B7 h4 p% w2 B/ b3 C7 s
Sorry, that's beyond my current scope. Let’s talk about something else.
====
, x' m9 k2 ?7 k! z然后我的英文命令也让deepseek 帮我修改，呵呵。
% U3 t) Q8 b2 l. r$ E  r* t, d====
8 _* `+ k# Y& j6 U! ]8 C9 e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。
====
时间段的话，北京时间的下午和晚上用比较好。
5 V1 C: H& a- H后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
) T3 n7 u$ n( X2 w0 X+ m0 _====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
7 y9 \- d1 M' ?  m) {1 c# c====
# c& @6 W6 K/ f3 {- N- ~Deepseek，API 看上去可用了，但是不给充钱。
; g+ |+ d. F1 L; a

( ~1 i, z7 U8 \- I) i2 A$ p
, h" d8 [- ]4 M: I

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
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
8 o7 U% F/ S9 w* E# f$ t有没有上传整本书试试

( z, C4 Q2 H( N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

' d0 f2 y7 y% g( h9 u1 k以后让deepseek 读出土的竹简

4 l0 ~- v- R' e) }2 e. k$ Z还有把古文翻译成现代白话
- v: Z8 N) z& M
1 P1 Z4 K! k1 `- _6 H; L$ X2 |# v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？
* A: U4 T" B$ f0 Z; @' U  \; b' {
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？
5 F. D; y; N+ {1 u2 O6 [
6 V6 g8 k* w; E1 R* y' V; [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。
文字之类的没问题。估计deepseek现在暂时只保证主要功能。
+ r% l+ b! P6 l% X" O; L0 R( }9 Z1 }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。
3 z8 y+ v4 ^5 U" A& e8 A

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
. P* B2 e; e& {+ {2 s" X/ m
" ?: g4 [) H9 I4 U$ c- g7 G: 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 ...

https://chat.qwenlm.ai/
3 w% P( H/ t: ?4 i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。
  s3 j3 P4 C% `, u1 B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”。
& J6 {  p7 B: M7 g. f" v# N3 P
https://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
2 T2 N* x! s: {3 _+ D1 l2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
2 _1 b; {& D3 X, R5 V# v( K1 c3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   1 `, H7 F% D1 r
2. 
   : _- I; ?- V# B) i9 |) b0 n% R# B
3. extractor = PDFPageExtractor(
   6 ~( E! ?: \. M
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   * i7 S4 J4 F1 F5 u7 {3 B$ U: o8 S
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   - P- b! B' V6 |) w9 P5 y) x: S5 O- P) i
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

' B2 A% A2 h  L  F
" c# _' X+ B8 V0 ?! H3 f要修改的内容：
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
4.3 /path/to/pdf/file: 输入的源PDF路径文件名
  I* c5 b6 w: I, p) t9 N: r  p
0 ?( E4 g6 L4 o! `& F% l- J5. 运行 python3 a.py

nanimarcus

  ^6 t6 r5 a: r& I, T- ?
; n3 A- O: G1 R4 S: @目前为止PDF转纯文字的最佳办法。
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。
8 m/ Y, X8 \( I' I  t
0 b6 c9 k$ P- ^; L. kdeepseek，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。
8 y) c# a9 j- J" A5 n, o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。
: Y+ r: ~5 ?1 R; R) e' U4 {9 r5 d; h我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
0 x% m( o0 d, Y- j) M8 D  [
API到目前为止，差强人意，不如网页版本修得干净。
3 ?8 m6 I0 p/ G1 r
deepseek可以同时开四个。

三力思

1 n" D' m0 v1 m  @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
. t4 f+ Q4 S2 y9 i) D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

5 C7 a) K; }. n- F  I# i' j
已经搞定.
5 S" U/ ^  M4 H9 y0 r, g3 P
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

% s( |, ~, N: S1, python + pypdf 按章节拆分小的PDF
/ }$ O. j' l$ Y
. O2 y( ]/ h  S! G3 a) d. r. J2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
6 t2 T* y4 N) v4 i9 [
得到text file

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

( I8 n- W( k1 y& f# g, v模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：

实测：

296K 字母，用了 9 美分。
4 o" `# Z5 s( G
: V' ?  o$ [1 k7 d7 p6 {英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
' \. g# J! P( Z. c: v8 l2 Z
32899 个字母花费 11782 tokens，包含输入输出的 tokens

1 H8 R* g9 A4 p* E- H价钱，非常非常便宜了。
9 [  `8 G( S/ w1 I
参考如下可以计算，懒得算了。

' I1 g+ S- Y, N2 D8 yhttps://api-docs.deepseek.com/quick_start/pricing
2 a/ v: P( J$ g0 O
8 t( {  A, C7 e5 D' |. h( B1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
  n+ F% a7 H! W' v  S1M TOKENS OUTPUT(5)                                              $1.10                $2.19

& u$ ^/ l" X6 r2 N4 e# `5, Balance
9 Y  W4 l7 b9 C# Q  i& b' g
6 c; f+ l; V: r) B9 C可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
https://api-docs.deepseek.com/api/get-user-balance

* m/ S* {+ |0 w* R6 \  [, ~. E6, Models
( s5 \$ J+ l! \0 t% u; m9 \7 ^
目前就两个
# deepseek-chat
0 D) X# O' U8 ~3 V/ Q# deepseek-reasoner
7 b! e, N7 Y! |
! o, S* g9 N4 S0 K& f* `7 I参考：
https://api-docs.deepseek.com/api/list-models

: U) w* F) D8 v1 |& g
+ r( s$ S' H7 J. s. R) x7, 问题
% l3 @. _+ u' i; n. `5 P7 ]: b
4 R) K7 Y; W% j6 l3 G6 [deepseek 会将前后两段合成一段。
- N- J3 `# ?2 B+ y特别是那种大量的对话的段落，deepseek会给你合成一大段。
7 k1 P' [- O% p; ~. ^/ C- o1 k
; |/ s$ I# T& t" N  u: q8, 钱说了算。

; c# F+ Z) y/ ^  I1 H& Tdeepseek 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。
. }( m3 J4 l: z( u7 uchatgpt也是这样的。
. c: ~5 t- k6 s$ F% ?+ R1 D
# O- E3 z" J; w$ o/ V3 v3 }6 D
1 W: f0 k! j% `! u( O