利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

" v: k* H* s3 G4 ]把PDF上传，然后让他抓取文字，并修改可能的错误。
* X/ J2 a' C, E% `$ V/ ?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！
" H" ~! y% U$ M. A' p: v* _: Y+ A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！
$ _9 C, A% a* y6 K# t====
8 S( k5 B* R0 {+ n8 d2 F8 \, l中文也很完美。
3 [" l" T1 V& Y+ O经验值，每次十页比较稳定。
  @% ^- l" v/ o- E5 b- X现在我这里API还不能用，等恢复了，全自动了。
- \1 K! ~9 F! o$ F) u1 ]$ C$ z====
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。
====
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。
! Z1 N9 |3 m. N6 H/ G但是任务多了后，每次翻译的页面数是减少的。
' z2 ^' T0 j$ _5 s. `  G8 s好吧，我五体投地，继续探索。
====
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。
' g1 e) J# t+ L- ~  c4 I====
) o' S- J6 u2 l* C% x3 w好吧，有些东西是不给翻译的，哈哈。
! q& I! |" Z3 i$ G/ R
# q- c& v8 ?4 P; Y. D" Z) GSorry, 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。
6 H; m. o) {3 X) R1 o& X% Z  h====
1 g8 N" @+ u- `7 N' ~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。
- H/ T0 R/ m9 O6 {' w后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
6 b( v" a# S6 O, q$ R( @: X0 `: c====
; z: c) _5 o! I' p7 o! x$ {用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
& E' Q  T0 D' T! r+ \====
Deepseek，API 看上去可用了，但是不给充钱。
$ h- @2 A+ K- Z& |4 \6 ?- C' n
$ ?5 r5 ^: U6 R: L
0 ]3 \: g) v3 d* i- O. s% O
/ Y7 m* b: G3 _% A8 P$ i/ G

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
( w) x0 {$ \6 {6 j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

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

- b+ ]8 }  q. }; h以后让deepseek 读出土的竹简

: N8 t! P  l# J  K& ]8 v2 i9 j, I还有把古文翻译成现代白话
8 R9 G! q; q. [9 H8 B
5 d, R& d# e7 L/ d; E+ L, m! V( k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？
, k, A5 @$ M3 {" z) z
7 b9 u/ Y7 L& A4 D% S" E+ D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
- r& M, E/ A4 k1 }. E# r0 e* Q请教是如何实现的？
6 w" l: p& r& U6 a" x
3 T2 I/ I9 s; |) z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。
$ {8 R+ ?( s; R. H; [' t文字之类的没问题。估计deepseek现在暂时只保证主要功能。
; V) a: O) Y% y+ t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
" k8 G7 e9 U% J2 ~" u) }( S2 v% Z请教是如何实现的？

8 f% L0 u% I" ^, v6 f9 |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 ...

3 a" @* f/ T. Ihttps://chat.qwenlm.ai/
. C: J  q3 H) T% k) V5 g6 c+ h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。
) q4 L" [/ h' s7 j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
1 `8 T* N$ D3 O1 _5 j; h
% K5 E, t2 U; w! C1. 这个工具要求装 python3.10
3 Z4 F" q, n7 l2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
" F6 J8 U3 o. T) D- b5 r+ i& f4. 把下面的内容写到一个文件里，例如 a.py
. A: l) ]  j4 z. L6 }$ ^7 T
! T# g* x/ ?  g2 C! s" [! d, y

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   # T4 D& G4 D& n, 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:
   " B+ _, B4 Q1 `+ N4 Q  q
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   % _. o- `( ~$ I% t5 j
9.     md.write(block)

复制代码

/ c9 Z6 \8 [+ [% G$ f( w/ Z5 B要修改的内容：
- i" e9 T" o# F. a8 H% G4.1 /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
/ m8 X5 \. ?1 A6 `! H9 y& f
5. 运行 python3 a.py

nanimarcus

: V8 ]( a0 C1 R5 d% a; b( \. U目前为止PDF转纯文字的最佳办法。
5 L& f* e9 k, M; Z  c; \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。

/ B7 o0 P& [* x$ k% ydeepseek，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。
$ c$ r( X, e' S+ g' x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。
! n4 T; l! m- u我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

* `* s- @$ `: L9 h- _9 k: WAPI到目前为止，差强人意，不如网页版本修得干净。
% {3 i% |5 A7 t
( \  Q- u& k5 |- k5 K, z" odeepseek可以同时开四个。

三力思

; a' K: x. u# ~9 z6 A
5 u  m* T5 l  X* M7 a, G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
3 Q9 ~  D& h2 N/ V$ I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 _6 l& J5 k; U1 C$ M9 c) 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
# v3 G8 K" E9 J( L1 @" i% q细说一下，听上去很不错，多谢。

3 j' p& [  T) n  R" L8 y; U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

. e" o% P% {  f8 s/ E) p; k2 |" L
已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
& t0 E( G( z4 s7 I9 E, ^
1, python + pypdf 按章节拆分小的PDF
8 R9 m2 g, J2 W0 {$ l
5 E3 M, k6 T, {. L* x0 m2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
/ u2 X6 K" R* T& \
得到text file

( }6 f) [3 K! T! W* M3, python 读取整个outputfile，丢给deepseek 矫正。
/ o, B: D! X% x5 q' X$ r# K
. a4 [# d2 L8 j% i: e8 d模型是 deepseek-chat
# D2 X8 w  T" t2 y% y5 w6 {
max_tokens 最大是 8192，别的不用改。

; J3 D* `4 N0 h9 {参考：
) J: K( J4 v  K2 x/ L! Khttps://api-docs.deepseek.com/api/create-chat-completion
% M3 J' n) h9 _1 J+ y. K
  A, o) H. h2 O# W4，费用：

实测：

296K 字母，用了 9 美分。
. H" s/ H2 v+ q. d3 v# m; g
英文字母 到 token 用量大约 1/3

( J% @- d5 N8 m8 A* `8 O( S% z2 ytokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

2 j( P/ V4 Z# N32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

0 \8 @1 J3 s. W, `! u/ o参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
$ W* z2 r: N4 r1 \& B5 a2 x6 t$ ^" f
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
* g& V$ h6 Q+ S: k5 L& l$ ]1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

, a7 m  O" E6 D0 v9 d' \) |/ [5, Balance

5 `8 S; ~/ z2 I! d$ Q" {* _3 n) k$ {可以在程序里调用，知道每次运行结束后，balance还剩多少。
) O* d7 t: r! S3 }8 G, }# z参考：
/ z9 u# g6 i9 z. D3 Nhttps://api-docs.deepseek.com/api/get-user-balance
8 y. u  m( ]- N# v. t, Q6 a
- j' w- h5 u" v0 A0 I6, Models

; z2 V% j4 o- Y目前就两个
# deepseek-chat
. K+ M. K+ x8 r$ n: ^0 [# deepseek-reasoner
+ l& O+ ^5 j, f/ a1 l* t
5 u% T. e+ D% J% j1 L1 `" H参考：
https://api-docs.deepseek.com/api/list-models

3 }- ]; X7 C- K
7, 问题

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。
0 J3 W) d% S: y
8, 钱说了算。

+ @, ~- o2 Q/ z! sdeepseek 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。
4 W2 {5 e) Q% _% [. J9 |但是API就不会出现这种情况，毕竟我们给钱了。
6 Q7 l& N; o' m9 Ichatgpt也是这样的。
' d/ f1 h: M- ]+ ~7 m! M
# b$ z9 L4 o5 B' T6 p