利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

' J2 U. `* T" t, Q5 f- Z# G
" ?  j) Q, a/ ?8 w6 y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。
. m+ O* [) `! x3 R段落清楚，列清楚，页眉页脚全部去掉。
. a' R: C1 d9 U  c+ k我要疯掉了！
+ L, ^! e# |5 r" b, K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！
====
: v4 U. x$ }7 e) C  D1 p( d中文也很完美。
/ A/ ~1 z2 T; @. w' G0 x8 v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。
====
第二次疯掉了！
2 p! x$ [+ f; O( }  H% H! _( j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。
8 |' J4 Z) W0 q/ Z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。
$ v- R/ ~% ^" h! g3 |* \====
/ C6 u: b& f4 I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。
====
" y1 G+ ^7 y. z) q, T8 g4 H0 a/ s9 L好吧，有些东西是不给翻译的，哈哈。

Sorry, that's beyond my current scope. Let’s talk about something else.
====
2 a: \5 e3 M/ d2 U9 a! C3 q' C然后我的英文命令也让deepseek 帮我修改，呵呵。
( A# {" n4 x; w0 N1 M& D, _====
7 X7 \( {2 z6 D2 I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。
. L' N  ]$ r4 y5 }9 @* q  @====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
! z, L' F2 g3 W( x8 K' c====
Deepseek，API 看上去可用了，但是不给充钱。
$ G, R4 L" U+ I3 a! f


5 B! w8 N) }6 m1 d2 @& h

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
3 j8 W! y7 u0 t; _- g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

0 y7 p* i4 ^3 t( Q, R& U1 ~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

- S6 |6 d( F$ l1 V7 ~$ X0 i
以后让deepseek 读出土的竹简

还有把古文翻译成现代白话

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？

4 I5 w  P0 h& G/ L! c4 {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 ...

% B4 K$ M% z. R% E. s4 [  N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。
4 ]0 S, q. n; Y1 M% J" m; B% p4 D文字之类的没问题。估计deepseek现在暂时只保证主要功能。
& A7 T6 ?; B5 U) y" N# I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
8 B5 z& O* b+ b* `: ?请教是如何实现的？

. z" v" t; D4 V1 y; J1 J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 ...

. L8 S4 z# S; T5 Khttps://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。
. r1 i3 K7 S* u) x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。
2 k5 v8 Q9 r0 }$ k8 T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”。
6 C( K: a; z! g8 U- `1 T6 Y
6 I2 Q- I4 s1 b! }https://github.com/oomol-lab/pdf-craft

1. 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
/ I+ B- |- w2 s; s+ \3 k3. pip install pdf-craft
1 \/ y4 r3 v  Y+ F1 P5 E- s4. 把下面的内容写到一个文件里，例如 a.py
9 K% X, Q/ v/ X) x8 w6 e& l) G

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ( S3 i( A  J; i2 E* O2 b2 P+ m2 g& U
2. 
   + J' ]0 O/ ?* B" G  a4 I3 X( Y
3. extractor = PDFPageExtractor(
   - i# L/ R3 u. ]! k
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. )
   1 A( W8 T7 z- E1 U
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ' u5 A1 t, M7 B  Z
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   1 R: y' D/ v# S' W! m
9.     md.write(block)

复制代码

要修改的内容：
5 G& k. Y; y8 [# H! n. x4.1 /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
2 D0 a' u+ ^6 {- B4.2 markdown_path：输出的 markdown 路径文件名
0 f. j- S4 ]& f5 N+ @) j4.3 /path/to/pdf/file: 输入的源PDF路径文件名
) F+ E# x: b! m- Y7 k6 c5 l. [
5 o  s* I9 Y- ]" g3 g5. 运行 python3 a.py

nanimarcus

0 _" M! M6 o7 R+ X, ^: e$ U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。
9 x' [1 F2 ?$ x% w7 f4 n+ K1 Q3 C& \然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
# d+ }1 f: d% g6 `0 h效果非常好。

deepseek，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。
. l4 e! T5 r  z) e. C& N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。

! t! B7 S6 Q; B" S$ A! pAPI到目前为止，差强人意，不如网页版本修得干净。

. \( V1 b$ q: x* V  hdeepseek可以同时开四个。

三力思

' p1 l1 `4 M- s8 l/ {" X7 C# R1 M
  k2 [  i% {$ z/ V& z( W4 N: o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
: ?' d6 }! Q4 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 ...

6 J* f% ~& U+ A  A% v细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
" v7 ]$ O2 d3 S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

/ l; L$ f$ A! S9 T
已经搞定.
: U2 ?7 l' H5 H* j
% z3 {, P) q* E3 |首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

1, python + pypdf 按章节拆分小的PDF
- A1 s+ J8 C/ f" k/ }1 b) U  j
! Z7 B3 _9 ?: r2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
7 q  l' @, x* z% J% V8 Z9 s
+ i% ^/ L9 e+ j/ c4 T1 X- l# `# M5 Q# |得到text file
8 Z* Q5 ]+ C& X( _
  I, l) u" K9 R! q3, python 读取整个outputfile，丢给deepseek 矫正。
2 Z/ V) L4 M& F
模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
, G7 G! b. M7 u6 k
9 N0 m7 ^% S: G4 u  W+ U6 s9 w参考：
& o" ?3 a) B5 u/ `7 W( ehttps://api-docs.deepseek.com/api/create-chat-completion
& d8 c% D+ P' S4 r" ^) C
: C5 g% [; n4 }. x5 W; E4，费用：

& A% h" b! X9 m4 ]实测：

4 G: `& P! Z$ s296K 字母，用了 9 美分。
2 ~$ m! g& y! V$ t0 m2 \( D
5 G5 t' f( ^% a6 T& ]英文字母 到 token 用量大约 1/3

" k$ t& P6 a' _* Y! Ctokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
" j4 ]8 Q, x* @2 ^) p
32899 个字母花费 11782 tokens，包含输入输出的 tokens

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
/ K3 _& ]4 Q) K) M
6 H8 n7 l2 u2 n. M1M 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

) G& T( W$ N3 m! R+ s- `5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
, I  a) U8 U: W" ]" c- P$ g: v2 L参考：
https://api-docs.deepseek.com/api/get-user-balance
* n& @2 @6 X  v
6, Models
& p0 T$ O' |9 N5 e( d# {
+ h0 b- `* c6 x' m目前就两个
# deepseek-chat
$ O- F$ V) X6 B/ l, u! h# deepseek-reasoner
8 E7 b5 x1 A! f1 c0 `  Q7 ~
1 S7 |  G, O- T$ Z/ {5 ]- P& S参考：
  e( T- U' G% z9 Z) ~# ]$ U5 i& F- Phttps://api-docs.deepseek.com/api/list-models
3 U; S, ~/ V* V! H2 q

7, 问题
8 x% n8 ?( O$ x4 r
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。

: ^. a, R; {; z  c+ e$ g8, 钱说了算。
0 l" K: ]8 c- O& g; @
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。
9 s" I0 T( |4 g" Ychatgpt也是这样的。


- ]- A: I+ A! r% A