利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

+ E2 v+ A6 u. Q
8 z. j" ~% r. C" P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。
" G  X+ j4 z4 S" [+ L: y  i段落清楚，列清楚，页眉页脚全部去掉。
/ i" p* Q: c7 S: }0 h8 X% J) J我要疯掉了！
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！
. `) k6 W, w; k7 L  r( z! q====
中文也很完美。
; e+ F% J' c% B& }) m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。
====
/ @- P  P( r# l9 L第二次疯掉了！
6 t5 s& V! O' O" B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。
====
% S* t$ q2 k& z1 A2 r/ A4 E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。
( N  L1 G% y' u) ?但是任务多了后，每次翻译的页面数是减少的。
# w" [0 {7 z" G; t! M3 T/ {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。
====
' y; D- e/ i! A: A- j好吧，有些东西是不给翻译的，哈哈。
9 F! _1 O* R2 S0 i; B1 n4 x
* Q2 r* m# |6 ~6 c& lSorry, that's beyond my current scope. Let’s talk about something else.
2 [0 B) z& R2 Q====
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。
/ J3 v; O3 q7 e7 q====
% x4 w: [8 @) b& Y/ c* Z9 ]: w. B2 x) H8 w时间段的话，北京时间的下午和晚上用比较好。
; q- P! h- Y9 P  v" g" v) c后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
9 K, ~; X1 _6 A/ n+ h9 S====
用千问吧，非常稳定，非常强大。
5 `4 P4 t2 ~% s1 |5 V$ n0 thttps://chat.qwenlm.ai/
====
% u5 F" a* @$ F3 ~! FDeepseek，API 看上去可用了，但是不给充钱。



6 ]8 d! Q0 I/ t) l) z! `3 Z

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
' {# |* h& d& Z! M" e这功能很赞呀

2 C, i: e, t; ^8 s' q8 _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
% s  i9 c% H; k: K  B( W. `% B$ [1 `有没有上传整本书试试

3 a& d% \5 z. H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

$ X+ X! x: I/ U2 [5 Z
6 B9 @3 o6 Z" Q# M% w* ^6 s" v以后让deepseek 读出土的竹简

! t6 S- p+ G% ~$ S0 \  e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？

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？
9 {% S% Q5 Y9 x0 r2 w# b
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 ...

" ]* h0 a; [7 L7 c6 A
1 E( P# L3 ~5 V3 o) [8 v8 D, D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
! }. u8 u0 _% u7 [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/
; y8 A' t! |4 k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。
" R# G. Q4 M+ P  m) v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。
1 k. m4 C! k$ T4 Q6 {9 Y9 L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。
) b5 c; l& g6 {8 N; g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”。
5 V8 ?% x: g1 U0 j2 |2 Q3 @
https://github.com/oomol-lab/pdf-craft
% y4 `8 q' r% u5 Y& i
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
9 V8 Y$ [7 A8 O3 T% K3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
) f  U5 F/ c& h8 t2 k
) _( F4 Q) S/ `: n8 B6 f% n

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   " N7 F: M$ D# N
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   5 v" K  G1 k! q( O3 W/ F7 t" `1 V
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   + l( p, y+ e4 X+ g- L
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   % p+ e5 Y3 k* w- I1 ^$ X
9.     md.write(block)

复制代码

: M& f, ~1 |; j* X/ H! ~. j' F
  e  ]3 ]: q6 h$ v4 X8 e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
4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

: V0 \, |2 t8 m! b7 N9 S+ k1 D0 ~  G目前为止PDF转纯文字的最佳办法。
# W- C" P# O2 f7 S3 v# J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。
: K3 z- T0 z% K8 F  d0 @效果非常好。
4 g8 U2 K; }8 [% w
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。
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。
8 w; k1 L3 s' {' C, a0 e6 ?我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

% J) g; M, v& ~6 BAPI到目前为止，差强人意，不如网页版本修得干净。
/ C1 V- L* Y3 V+ J, H5 \
deepseek可以同时开四个。

三力思

: M1 U0 G/ U/ L( ~- h1 n
$ A% o2 F5 f1 G4 t8 A2 F2 {' c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 ...

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。

+ ?2 X+ r1 K. k8 _) 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

" v# S' x( u  V; Q- q8 C( M5 g已经搞定.
6 l4 x8 X* P# x9 D; `
; g" p; |% ]  }首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
' e! y* F3 G7 ?
1 P4 p0 v, ]4 I# n& T1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

& R5 d6 M1 ?7 c! m5 t4 H得到text file

/ j# q. p/ z3 ^1 J7 B( t6 @3, python 读取整个outputfile，丢给deepseek 矫正。
- A" ^2 t: Q$ t
) b! b2 N$ F# T4 \( y: `, Y) f模型是 deepseek-chat
* ~! Y' x; W1 p; A# T( M
6 A* p! R$ V. j" R7 X! X  }max_tokens 最大是 8192，别的不用改。
" G4 G3 F( m3 n; O# W
* ]3 R8 b' K. p! U参考：
% t! a- w- T6 p) j  g! B9 qhttps://api-docs.deepseek.com/api/create-chat-completion

4，费用：

" \9 \6 [! _0 E/ u' o/ J实测：
6 }* |; L( u0 H# j- Y
, U9 x, M: i: f296K 字母，用了 9 美分。
2 q) N( b( ~' A- W( L, a
) ~: A) I3 p  o5 ^9 q. ^  }英文字母 到 token 用量大约 1/3

1 Y% `0 f& m8 D" A* X  Ptokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

* m( r# p8 t: T/ J0 Z1 H32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

/ V' _  f/ w5 }6 x* s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
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
& i7 u; c7 {0 S* s( L/ `) ]# S1M TOKENS OUTPUT(5)                                              $1.10                $2.19

. s& x6 L: [/ ]; o5, Balance

0 {7 _& X- c% G可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
: d* t+ l+ d  m6 ]5 p0 o1 k$ ihttps://api-docs.deepseek.com/api/get-user-balance

6, Models

/ x9 Z( o$ R4 Y8 F目前就两个
# deepseek-chat
+ B4 `3 E- h+ O9 W$ W( R/ U  x8 p) h2 K6 K# deepseek-reasoner
$ B2 ^3 U8 F5 z! v7 F1 K
6 j) ?- w% l; Z0 A- P% k& \% g参考：
% X$ A$ t* ?( o" {. a/ C: p0 s5 @1 z. nhttps://api-docs.deepseek.com/api/list-models


8 _0 c9 C( r9 S  I" C$ y, o7, 问题

; o, ~2 o  g/ {2 c& Q. u) X  Ldeepseek 会将前后两段合成一段。
* n3 v2 Q3 p" P6 @7 x特别是那种大量的对话的段落，deepseek会给你合成一大段。
; |3 D8 q, H1 r; i/ `& K
8, 钱说了算。
6 m2 A( ~4 S# f" m9 ?- ^
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。
: z+ c/ ^  o2 m) o* Z/ f( [, K7 H& F但是API就不会出现这种情况，毕竟我们给钱了。
& W" L8 `9 ~- E0 d. r' C: Ochatgpt也是这样的。

4 l9 C$ V" z8 F' i
0 b  q6 t) T* U" }  j4 r# R. g