利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

1 V9 z; r9 i, ^1 L0 G4 _- k' Q% p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。
9 V: d) c  \/ @$ y# U. _& |段落清楚，列清楚，页眉页脚全部去掉。
$ j# a3 |4 U$ _% G* X% }: J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！
====
中文也很完美。
2 b7 {: o. I+ C; J2 @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。
====
' Q" ?- {9 L- A8 a, x, A6 Q0 b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。
====
! }, n3 o; K. {" n+ w6 j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。
0 q, U) B- W% I$ t/ w6 I9 O7 I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。
# L% A. ]3 q' A2 a" e+ q4 e====
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。
3 L" X+ F9 ?# v. _8 {====
3 t$ P; v5 y! O  @/ h) ~( X好吧，有些东西是不给翻译的，哈哈。
2 S* E; p* \3 U9 c. Q1 p
" ^7 q/ X" j2 |- ?, t, H7 pSorry, that's beyond my current scope. Let’s talk about something else.
9 e5 L- V6 ~' X$ h' t) ~) o$ `# U====
然后我的英文命令也让deepseek 帮我修改，呵呵。
, v5 I! s  m* g. y! u# R( W====
* T' U0 G/ E" x) X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。
, k& y# I5 @+ B6 ]% h  \0 o# g====
时间段的话，北京时间的下午和晚上用比较好。
, o6 s. d  O2 y* ^) y/ j7 v& p后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
' s! O0 S$ N& }# h9 H& @====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
, ?4 V9 X5 z% A% Y+ I7 D4 @====
Deepseek，API 看上去可用了，但是不给充钱。


4 o9 S' K$ U/ n  i& p1 k7 K; Z5 U% K% e
, n$ G- ~% g( v: B% e- J6 h; D3 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

- G" _1 Y, s. e1 ]" }' s6 c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
1 c1 j: |& C+ a: h; N8 ]8 Q, z2 w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

) [2 l, e( P2 L0 p# A; f
以后让deepseek 读出土的竹简
& S$ [  q4 `8 J- q$ N8 S
, w7 Z$ ~5 N( h8 p% O6 ?还有把古文翻译成现代白话

; `, g1 a- f7 U  u$ M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
+ [$ }" p; V' {4 h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 ...

) e+ m" a  V1 J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
3 J3 {2 I) X9 k. H+ c# Y$ P请教是如何实现的？
3 A/ g& G! J9 D% ^/ 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 ...

4 @  b- w7 Q! x7 F5 r$ Fhttps://chat.qwenlm.ai/
& t8 C) K, q. X* U试一下千问，估计美国人没有攻击他，所以资源敞开用。
1 R3 u* r2 T! ~$ n3 M* r! u7 i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。
9 X# N$ l! L/ e: `; Y& _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”。
5 B' T: T+ G2 s0 h( K
https://github.com/oomol-lab/pdf-craft
& E2 S! ~- p3 t7 Z2 F) u% x
3 g9 Z4 E1 A+ W3 d1. 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
' ?+ g3 H- d1 ]4 M. c  j% }8 @3. pip install pdf-craft
4 k  ?' x; M! Q" M$ C/ z4. 把下面的内容写到一个文件里，例如 a.py
0 [% u$ X6 ^. o6 W  a0 F( M

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
     U$ X8 e# d0 d- J2 ~
2. 
   
3. extractor = PDFPageExtractor(
   5 @1 p5 ^% M! C$ Z, B% |* ~
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
   
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

3 P$ t. Z8 ^8 t: U" z
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
' ?- y9 f& Y! I8 y0 B4.3 /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。
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。
) z( H, _4 T3 A# ?0 ]效果非常好。

& C* ?) ]- m3 i9 s) ydeepseek，qwen，chatgpt 三个，deepseek是最好的。

2 q- I# g  |" k; o- O+ ?2 Z0 c2 Ndeepseek 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。
4 l# U( y* W0 n* I8 G' n* [! d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。
  }, x1 m3 {9 Z* O+ @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。

# g" @9 }- a' S" W6 B% sdeepseek可以同时开四个。
) X5 t+ F, M7 a# t, Q1 V2 Z

三力思

* d8 u0 B4 X, m& W# v5 T0 ]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
9 k+ f8 f# I" e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 ...

" ?4 {& a1 w" k& I# I; g$ q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

* ^# j; ]- S" W+ W0 A: ]4 `
8 i. P8 g/ \: X' [- _% Y3 p已经搞定.

6 S8 G& E; m+ z7 E$ k! Y0 m首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

- S5 b, j$ S5 ]0 b1, python + pypdf 按章节拆分小的PDF
! a. k$ ^' j  A. ^4 e
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
  u3 m) ]. F7 e0 u) `) v
' f' S+ x3 _& b. a' V得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
( T9 h  U* c: L* t: f
模型是 deepseek-chat

' O' D! ^5 @# lmax_tokens 最大是 8192，别的不用改。
: l' n8 {& v# g: B" [' h
参考：
) H0 O) ]5 `9 L9 o- j* zhttps://api-docs.deepseek.com/api/create-chat-completion
! N1 k( d( W& ]4 e# B) G
0 _2 X' A# Y$ S; ?% Y4 o$ V  z- y4 i4，费用：

实测：

4 D9 Z/ f. i2 A# ^296K 字母，用了 9 美分。

6 C5 L: |& g. ^! [英文字母 到 token 用量大约 1/3

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

9 D/ H# w% b' z5 W32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
2 }3 F  I' D  J7 A- b1 h, `
参考如下可以计算，懒得算了。
6 z/ g- z$ V( C8 J* d& D+ s, {
: O, Y; Y9 i6 R1 p* g7 K1 Jhttps://api-docs.deepseek.com/quick_start/pricing

6 U( L* W6 D) }! C! y, M- i1M 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

5, Balance
- c. x* Q. F! ]( B
1 Q. ], t8 B* |. p" ~, D# m) B可以在程序里调用，知道每次运行结束后，balance还剩多少。
8 i& ~6 s! r) H参考：
0 Y/ X* o, u# Q. qhttps://api-docs.deepseek.com/api/get-user-balance
: X6 F5 V/ r0 d# j
6, Models

3 H* W+ i' |  e& O( u2 i6 d% g7 ]目前就两个
# deepseek-chat
" I- K+ n$ J$ s. T( l- |# deepseek-reasoner
6 |7 E, r1 A1 F3 ^& m& F( W5 @
( ?7 T9 p% Z8 a1 v: H3 g参考：
https://api-docs.deepseek.com/api/list-models
. y( p/ v& i1 s9 V# Q8 b3 {

7, 问题
$ Q2 p, P" o* _! U' j
deepseek 会将前后两段合成一段。
: e4 h. s3 w7 A, z5 t! d特别是那种大量的对话的段落，deepseek会给你合成一大段。
) y+ b1 Z8 S+ R! v4 E! w3 J5 R& R1 V
8, 钱说了算。
$ q  s4 L- G' {1 ^
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。
+ P0 f8 h6 r, G  c. G) ]
( o& i. n# B; L% i: o/ F
- P. r* h- s8 v. Y4 {