利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

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。
段落清楚，列清楚，页眉页脚全部去掉。
( H0 X6 P# C' \$ ?/ z. x3 l我要疯掉了！
- R& b% I1 i( o9 r+ o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！
. q4 O- P  ~& p====
1 T" A7 G. }3 y% h5 i0 N. M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。
====
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。
但是任务多了后，每次翻译的页面数是减少的。
( S3 i& d; G3 ^  D" m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。
- v( u! A$ L2 P# |! V; [4 c% K3 G
8 I! i+ n: h+ N- \Sorry, 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。
3 u" F# G  [2 g4 l====
8 U' u) v8 \% G* b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。
====
) Y) P# x  t& ?. l! }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。
$ _0 Y) I* Y; Y: o6 G: u  k====
- g* o& ?( \4 Q用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。



% X( u) c2 E+ D1 c9 c* ?1 `

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
, E  H# d2 T+ \- s% r& b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

  c( q# K1 y8 |/ h' |* m7 w) _
2 v% E( a( N6 r4 ]以后让deepseek 读出土的竹简

! P# h. B* Z! B) T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？

# {! e: u) Y- s' O# ~2 i1 c0 w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
/ O3 R6 R& K0 z  L2 r0 m请教是如何实现的？
" V- ?: Q- g5 a( Q/ L3 K
! o: x+ u" z% {1 @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。
- ^& S7 ^* E; [( h6 Z* D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
请教是如何实现的？
, I4 [" x. _* t$ l
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/
0 ^. l4 s& `4 a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。
8 z# e* b+ g+ J. ~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。
9 y  L$ H1 c* h) R! O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。
6 v8 v# {$ f2 L2 }% d! ~5 @3 x# s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

5 I8 s3 h+ ], ]( @9 E+ \1. 这个工具要求装 python3.10
3 W$ @  M% T! }, Q7 X1 R- F$ ^" z2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3 `! k# G6 D/ {: [4 `3 d( [3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
& q! [# j! E; Q0 f' F8 X$ ]/ W
8 A& H: O& m# y/ v; j

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   - D/ ^" [/ {3 r% {
2. 
   
3. extractor = PDFPageExtractor(
   ; j/ Q2 n% N, ?& o" `" W+ ~
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ' v" j2 J- y% E* M
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   * d# C( B3 @- j% a
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ! N  a" D  F9 T( s8 G; K
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

! H" ]- b( u8 P要修改的内容：
# L- @  {% }" f/ A9 t8 U  L4.1 /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
' I8 G  }- Z& s# {- T4.3 /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。
9 {8 Z4 N1 X8 B  b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。
% f" S$ E) c; }0 }7 O* }' ?效果非常好。

. ~4 E7 g$ ^, u( f9 Adeepseek，qwen，chatgpt 三个，deepseek是最好的。

* R+ U+ y: X1 W, G  o! Q5 gdeepseek 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。
2 {; H/ g4 k8 y! m, S我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
& J; }: T: f1 n' K
# b* [( ]# q" I+ E2 EAPI到目前为止，差强人意，不如网页版本修得干净。
$ S( m% f: V1 |5 s2 k* c. d2 u
! Q3 {4 ]4 {' J, U! @/ ]deepseek可以同时开四个。

三力思

0 v& `3 ^' Y+ Y2 v. e- Y7 {
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 ?1 E! X) @8 C; M8 T8 R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 ...

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

已经搞定.
5 c5 S, R& i6 B/ C
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
) W0 I7 e% `9 L; ^' u
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
3 G9 Q! H# T, C- S6 A( y
1 }+ C  {5 D& v. J4 y  L得到text file
$ }8 D) q5 R4 Z' z
5 S# A+ |' H8 R& S4 @! s9 Q3, python 读取整个outputfile，丢给deepseek 矫正。
' f3 f8 S" @: }; N/ L9 s, y
* S1 p5 S& h$ L. z! I模型是 deepseek-chat
: i( {# I+ Y; }* K9 {
max_tokens 最大是 8192，别的不用改。
% R& B, e" A5 g/ X
3 X1 `4 a3 X" ^参考：
( d7 Q7 o# _% ~  nhttps://api-docs.deepseek.com/api/create-chat-completion
! W5 O% T9 y& W# V
0 b% o9 |/ q1 z# R' _  y( ^4，费用：

6 @. `% D3 g9 e) m+ G/ H' P* b1 L实测：
0 L/ A9 {7 U: h) F
296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

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

' T2 o; _4 b* z3 }% k7 _) u32899 个字母花费 11782 tokens，包含输入输出的 tokens

; U5 _/ v3 @. b价钱，非常非常便宜了。

参考如下可以计算，懒得算了。

; X+ P! E! g" Qhttps://api-docs.deepseek.com/quick_start/pricing
% l7 R& ~/ j0 ~: e3 |, ?. I
5 j$ s3 F6 _( X1 n: D9 t$ L1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
5 e. s+ ]% h- ]% e7 L- M: h( D- J% s1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
7 T4 `, K! D4 i9 c/ S0 J' O+ C
2 B; h5 u2 H8 U可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
https://api-docs.deepseek.com/api/get-user-balance

( y0 M% m( ~- d$ p9 R6, Models

目前就两个
' V7 `: b' K" _4 y0 B1 V8 g- F# deepseek-chat
3 N9 T4 s; e9 D) v3 m+ o# deepseek-reasoner
7 ?9 ?# U1 Y) E7 A$ z
参考：
3 s2 `+ O- _+ T+ ^https://api-docs.deepseek.com/api/list-models

6 t( m5 [4 C$ o# X& s: h
7, 问题
+ L2 J( r9 D# k$ _
6 S- j7 z* \4 D" {% @deepseek 会将前后两段合成一段。
! j# p) C2 v1 K" |* J) y1 b特别是那种大量的对话的段落，deepseek会给你合成一大段。
% p4 b. s+ {; c* ^
4 I% H2 a3 e0 F# J& a8 Y8, 钱说了算。

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。
4 T9 z) Q: W* I0 A4 lchatgpt也是这样的。
5 t% D( @6 ?# x; [

0 g1 J# n- K  A