利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

2 T+ K! x' c! y& a" ?
% b  M9 l$ m/ E, j4 M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。
- y" u9 I) Y& c; ]2 c段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
9 ~9 C# z+ ~* o: c$ \/ h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 r9 r& y0 P7 m  T5 u1 c1 b====
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。
====
3 u  R; s' c4 Y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。
0 T6 ]+ \# `* R1 W' H" m4 w但是任务多了后，每次翻译的页面数是减少的。
& T  ]+ Q, a/ ?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。
====
好吧，有些东西是不给翻译的，哈哈。
; ?! T' B' s( @. l2 ]7 n
Sorry, that's beyond my current scope. Let’s talk about something else.
8 D4 H& v: r" z* l7 @7 R====
) f$ v- p8 Y6 o/ v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。
====
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。
====
用千问吧，非常稳定，非常强大。
# ~9 k' E9 P  S9 C  Ohttps://chat.qwenlm.ai/
3 R+ ]- H! \) B7 g( u. c3 `====
& i7 ^# {+ x2 ]& B7 M& ]  MDeepseek，API 看上去可用了，但是不给充钱。

( m/ j) G, K  y7 e$ K4 u# B! [
3 N. R) y, ?+ _" o6 y7 f
' T$ k6 Z& i! W; H8 z  X) S  ~

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
2 f$ d; W# J5 c1 c1 ]这功能很赞呀

  z! N8 N+ e$ f, c% `* s% t6 Q+ I4 K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
) X3 o' _" M; N( s1 q9 Z' G有没有上传整本书试试

" r2 S: z+ s5 K9 h6 v5 O( b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

0 Q) I2 b& b& H: O- d- ]. [以后让deepseek 读出土的竹简

- c0 v1 v4 d$ v& D: L, P还有把古文翻译成现代白话

+ _" \, R1 M. u5 N8 p( U8 ^% 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？
( B  p* T- ^1 d# ]" ]$ f
; P: H$ V$ H# r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？

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。
5 R5 c" h8 @9 U) d! M. 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
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 ...

https://chat.qwenlm.ai/
6 |% e4 E' Z/ P5 n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。
  G+ @/ y! f# w" d5 [' @8 \& Y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。
& V( M4 q" l& |7 `+ p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。
: r5 z  _7 t! Q) n1 l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”。

, \9 H- G4 z+ |. F, j+ qhttps://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
( K6 V+ B' ^3 B7 X. N' r2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
7 N9 b) n+ K+ C) E; T3 v4. 把下面的内容写到一个文件里，例如 a.py
; y+ E* t7 }% ?! q" w

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   # [8 H- p6 \( O9 b( `
2. 
   
3. extractor = PDFPageExtractor(
   
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
   8 K% ~$ t9 e2 B8 D% @3 t1 J9 S
6. )
   ( A4 T' O/ W" T3 R3 Q
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   8 K. X" z/ O( Y/ t* ]
9.     md.write(block)

复制代码

9 S! |$ C6 L* m  Y; p
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
9 S$ S( N3 U6 `- Y9 x- a$ n+ s4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

( S) q! i, P7 B$ B+ a" K目前为止PDF转纯文字的最佳办法。
9 P. _# H6 {: N' s9 p' F先写个小程序，把PDF按章节切成小的PDF。
3 O6 O+ t/ v' R6 w& L/ W% x然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
# k% T! _: v, B7 A" V  K效果非常好。

( G' a+ H; Y  b: V4 s1 ]deepseek，qwen，chatgpt 三个，deepseek是最好的。
# s2 i7 \0 v1 `9 |
& {5 M4 Y4 s1 d8 u0 rdeepseek 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。
" O+ u* D8 ?& j& h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。
) u, F' Q" |& M2 s9 `) l- D8 }
API到目前为止，差强人意，不如网页版本修得干净。
6 n) `. B/ e! O# j; x4 A4 x9 ^" h7 q0 u
* t5 p$ ^- u# a  qdeepseek可以同时开四个。

三力思

1 c" j) R0 Y  \+ {, 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

nanimarcus

三力思 发表于 2025-4-17 12:26
) j) H, w$ z& p8 E- R0 Y! l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 ...

8 [# s7 K; n& }( m# l! I. g. ^细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
: A7 ]6 Q( I3 S9 i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

已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

& [1 L4 ?# b/ p; }) ~+ Z% V! J1, python + pypdf 按章节拆分小的PDF

% j0 V  W1 {- \  D/ H2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

: {5 Q/ n; a0 d. o  Z. i: \; F  x. M3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

8 Q6 N4 g- |  p( r, h" Smax_tokens 最大是 8192，别的不用改。
5 L% G1 b$ l- H" J$ h1 w8 s3 v& Q
; U3 V, o2 V* `) Q. B0 \参考：
* ^2 |: s' W0 m, y& L. J4 ghttps://api-docs.deepseek.com/api/create-chat-completion
7 _7 b+ y" v5 n, z0 S2 @, I& E
  ^2 Y8 l, c9 O; E# t4，费用：
7 O. H( z9 P9 J, _
实测：
( i$ Z. E% V; e4 K; d
( t7 J+ C# P- q  t; ^- I& A296K 字母，用了 9 美分。
6 B2 O) P9 T# P; p7 c7 }2 a$ \
英文字母 到 token 用量大约 1/3

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
& q; [8 b5 I: |0 A8 D, ?+ b
价钱，非常非常便宜了。

参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
# N& _7 [$ h0 V6 G$ K) U5 ]5 w) c1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5 U* ^$ L1 d2 {& M5, Balance
& z: j. N- W5 I
可以在程序里调用，知道每次运行结束后，balance还剩多少。
: X0 d7 l4 u# n/ }* M: s/ j参考：
, V$ c4 Z  o- K& Yhttps://api-docs.deepseek.com/api/get-user-balance

) K# A- D) t" [; Z6 [2 @) `, H6, Models
5 `. ?0 N$ M& m2 n" }# i
目前就两个
  B& R5 N9 g7 F2 t( V# deepseek-chat
, ]) h( G1 N1 @# deepseek-reasoner
& a, x! |. O- i7 F% Q0 ~
* E: [& V# n7 ~9 B' {3 z* c2 E参考：
0 f7 k0 Z2 P$ i" D! H5 `https://api-docs.deepseek.com/api/list-models


7, 问题

deepseek 会将前后两段合成一段。
+ y# f9 L3 k; @' d$ M: Z特别是那种大量的对话的段落，deepseek会给你合成一大段。
+ \/ ?% u9 H3 f9 v% ?
; S( J/ A+ ]& N8 O. M- U8, 钱说了算。
% l6 a& t0 n3 O; @3 p$ v/ n% \
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。
7 `4 s- x+ v0 i, A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。
% A. i, F6 o, \* t7 `

% F0 N, |# u! ]) y1 R