利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

4 \! s1 ]8 A, X5 z把PDF上传，然后让他抓取文字，并修改可能的错误。
" E" @! |" }+ S  `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！
( Y' D+ r* }1 g1 p" A  l; [  s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！
. I$ h' H1 b5 U1 t  q% H====
, n8 J$ {: [( y! D中文也很完美。
/ V* M( [3 d2 B2 T# E# ?9 Z" a! O经验值，每次十页比较稳定。
( P( c# c8 y3 Z6 U& }9 r% B0 b现在我这里API还不能用，等恢复了，全自动了。
) f/ q. S  {; L* m, C6 H====
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。
0 B( n  G; K1 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。
' z) |; o6 g# L- |, f* |但是任务多了后，每次翻译的页面数是减少的。
) x1 O  Z4 O2 h$ j! B6 v) o7 h' E( z; u好吧，我五体投地，继续探索。
====
  R$ m; L  m' H5 C8 d, b& N9 m  B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。
====
& F# y1 D8 k% z8 e# X好吧，有些东西是不给翻译的，哈哈。

( v& ^- @) T- l1 CSorry, 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。
8 T) k5 k8 O' W$ 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。
- N& K) M6 D5 H" @3 L====
* P/ X% t9 u2 L6 E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。
https://chat.qwenlm.ai/
====
8 d0 T1 F+ e7 v' T  O2 w% e1 Y( CDeepseek，API 看上去可用了，但是不给充钱。
/ t( s& c5 k2 t$ V

5 S& c5 J, n1 r9 h4 O' J
$ q9 s9 {% p* e! \2 O* U

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
6 E3 K& c/ ^: k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

1 v  Q% S' D' A6 y/ E3 s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

9 p) ^6 `* b: j9 C以后让deepseek 读出土的竹简

还有把古文翻译成现代白话

# x$ G  c1 H+ e- Y; ?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？

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。
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
; y7 f  `9 n  `请教是如何实现的？
+ N$ h, s  ^+ E3 C8 e6 }
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/
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。
' I/ _5 e' X8 |' y& }  V4 A$ }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。
4 \: o( l6 L4 V& |4 r. F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”。
4 j; W  l( f; Z5 Z' i
0 \/ ~3 L3 `2 P3 q. `https://github.com/oomol-lab/pdf-craft
) l; T  Q+ K) D" T9 {! {
1. 这个工具要求装 python3.10
$ }1 }( I* E; l9 |; O- ?7 n! u$ o2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3 n: ]& }% ], C1 t" p& b3. 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
   / ^) ^+ o  V' J) f( z' Q% K4 x
2. 
   
3. extractor = PDFPageExtractor(
   ; |+ r, m) [  i. g8 [1 g$ }: i( t; N
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
   0 {) F) q( l0 Z( G& |1 D
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   : k; _' F, G9 m) O
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   8 |, j$ S( u% p
9.     md.write(block)

复制代码

5 s4 F! F0 ~  E/ h, C
& s9 L' C" H! f6 X4 H1 F要修改的内容：
0 F  I2 b- e3 K; n& u- J1 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
9 V" K5 h$ L) _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
# T+ S4 y0 q" o8 w( h4 X8 R9 b
5. 运行 python3 a.py

nanimarcus

6 D; i* B" \+ u. a3 Z! p目前为止PDF转纯文字的最佳办法。
, \* E, L+ _# M/ n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! D; n# d' Y) c; q效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
' u6 }, T7 X) t$ {6 r9 I3 m
1 I2 o6 q8 J$ kdeepseek 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。
我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

$ v& j* h0 x2 ^7 v6 ^: W. `API到目前为止，差强人意，不如网页版本修得干净。
' c3 N* K7 }6 t, }5 Y
deepseek可以同时开四个。

三力思

8 e5 i  o0 q' v" F1 Z- b4 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

nanimarcus

三力思 发表于 2025-4-17 12:26
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 ...

0 \% q/ m4 f; S" |  o3 h细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
% |' h6 H! `7 V! a; _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

7 t) k5 l( ~  K) s% o
已经搞定.
0 b! Y+ g4 q5 b( s6 [
5 P0 n( P/ c" w' `, L' L' j首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
9 b! _- Y! B9 ^  [$ w! r1 A) e
1, python + pypdf 按章节拆分小的PDF
; Y% T7 b" s# o9 A% f: J: a( H. Y' Q
" ?' i+ m, q8 c9 g+ Y2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
( N7 `5 L! J- ~. p) Y/ s7 @7 F
, y9 Q2 \9 D! v) R得到text file
" ]! t4 ~' S; _$ r. H: l3 _
3, python 读取整个outputfile，丢给deepseek 矫正。

* o; B& U7 T& R1 G- n6 |) O  S8 ?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 Z+ P+ m7 c# M4 _$ w, @4，费用：

实测：
8 g. x& A3 R. O$ P/ E/ w
296K 字母，用了 9 美分。

% G2 h1 i1 S" G3 a6 l英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
; o7 J9 x& g# F# `
- X' }  S. X1 ^32899 个字母花费 11782 tokens，包含输入输出的 tokens
) ~% |$ _) k- ^% c6 ^" j3 T' C
1 m6 v4 A+ h) L6 H8 x% ^价钱，非常非常便宜了。
" A+ j3 ]7 E4 M7 D' n
+ [5 x7 t5 X, k) w参考如下可以计算，懒得算了。

- V5 Q, e4 l# B' i6 v8 u4 U, e9 Ahttps://api-docs.deepseek.com/quick_start/pricing

. b" X+ q+ b* Q) z! X5 p1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
+ I, [& Q" N- z0 }$ Y1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
; z/ }( g* I; W$ e7 x( R1M TOKENS OUTPUT(5)                                              $1.10                $2.19
1 o  I. F0 S/ X; T5 l2 H
! g5 ?+ W$ U+ _3 ]0 W5, Balance
9 l5 z# R7 y. v2 S7 F0 b6 d/ ~; d
! m! q6 Y1 w/ W- B. G0 `, S可以在程序里调用，知道每次运行结束后，balance还剩多少。
0 _, }$ l- j0 k  Z8 p& u参考：
https://api-docs.deepseek.com/api/get-user-balance
( V, u: S% R3 \
6, Models
4 p) u2 l: w8 @0 n# N( [
6 k/ T- `" Q$ }8 U) [$ L目前就两个
2 V' \8 A+ A( ]# deepseek-chat
# deepseek-reasoner

9 u) a+ ?/ z3 F  L参考：
7 h& u0 ?. B/ I6 X( R3 Bhttps://api-docs.deepseek.com/api/list-models


7, 问题
; w8 @- `, A1 s% E$ |
  K1 {/ o: C7 |# Wdeepseek 会将前后两段合成一段。
: U( }) b. |* ~# U' h- Z特别是那种大量的对话的段落，deepseek会给你合成一大段。

8, 钱说了算。

; S" W5 b+ L+ D2 Y3 @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。
; Y( l1 k$ J% w4 h但是API就不会出现这种情况，毕竟我们给钱了。
5 [% N/ `% i- E3 D" g; kchatgpt也是这样的。
% p4 H6 ]9 f( N1 @" H
) u: v6 u7 F8 H  I4 c0 }) S+ V
/ u7 \  F. W- r# ~$ N+ n, Q