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。
* Y7 _. D# T% p& S1 N  E段落清楚，列清楚，页眉页脚全部去掉。
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！
/ J/ m: k# |! J( x! `, `5 `$ ]====
中文也很完美。
& {* V* }5 }1 A3 a* P! o0 S8 o经验值，每次十页比较稳定。
. O1 l1 d# Y/ m# i2 m+ Z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。
====
  C, [  v' N8 S2 b: h4 K: t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。
7 ]6 C4 R2 P# S9 G) O但是任务多了后，每次翻译的页面数是减少的。
0 h4 e' r! J7 J# B8 j5 b- p好吧，我五体投地，继续探索。
+ ]! g% d, b1 S====
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。

Sorry, that's beyond my current scope. Let’s talk about something else.
! P& o8 Y+ \$ {; g* ^: n9 r====
/ i# v- p: u5 i4 {然后我的英文命令也让deepseek 帮我修改，呵呵。
6 S" z2 J2 h3 t" n====
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。
====
# f4 ]8 V  R4 k& H时间段的话，北京时间的下午和晚上用比较好。
1 s8 L% j4 O7 ?# b2 j# g7 i0 p后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
# ~% a3 R  z7 r1 `- y3 z用千问吧，非常稳定，非常强大。
5 l5 o  i& f3 A; H& P0 c9 y7 khttps://chat.qwenlm.ai/
, Z, s" H3 r. K====
Deepseek，API 看上去可用了，但是不给充钱。
( V% f1 j; h8 k1 }+ @6 y9 E1 @* q
* T+ N8 g0 u8 Q0 Q6 W% ^9 w5 w) @

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
2 @2 L: C9 o& x. A1 C这功能很赞呀

8 v: b* d* c  {6 Y- 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
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

以后让deepseek 读出土的竹简

还有把古文翻译成现代白话
! E* ^& b3 G3 ]0 e
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？
" s% q) f5 d0 U7 [$ Z
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
5 }, [2 x; a; `, r/ C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 ...

3 l: }/ D  [; N- ^/ z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。
+ H  f9 O! o& D+ y; |文字之类的没问题。估计deepseek现在暂时只保证主要功能。
- C! ]2 d+ [( e( q8 v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
* d( |- F9 g' }" Q请教是如何实现的？
+ J% ~- E' q* X2 C0 t
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。
! N2 R5 j2 x4 E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。
9 m( x" Y- L! Y+ ], m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。
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”。
: w. l/ H' n% d1 u% ^0 N! d6 G# Y
$ q; |0 ?4 V2 ~3 W1 Lhttps://github.com/oomol-lab/pdf-craft
- m1 f. b, Z' v. Q; `( L4 V
0 I) U2 s1 J$ p$ {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
3. pip install pdf-craft
  M6 u9 n) Z3 e4. 把下面的内容写到一个文件里，例如 a.py

" R" G0 P( }* W3 L. ?' T! q, H

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   9 |; q8 I& a; |
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. )
   , [5 x, D0 {7 n% ]! M" `
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

/ \) Y7 i( }" N( `
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
, z* y* B5 Y' z/ w6 C7 T. K* [4.2 markdown_path：输出的 markdown 路径文件名
5 h# Z( S) d/ T1 P% d  m7 B4.3 /path/to/pdf/file: 输入的源PDF路径文件名
% o' b( J: t3 g  D( n: Z1 i
5. 运行 python3 a.py

nanimarcus

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。
  D* ?5 [* t6 W$ x1 {然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
& ~8 C  t$ z9 T% N) t
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。
* H$ h/ c6 E/ k% D* o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。

1 l9 G# s0 K) `4 b1 xAPI到目前为止，差强人意，不如网页版本修得干净。

deepseek可以同时开四个。
9 M) J9 K" W: L4 `# p# Y

三力思

$ y0 d# Y0 g7 ~3 P* f) L
3 q' E. f: }( k3 W+ D8 G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 ...

' q, \8 a8 T1 c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。

- H( z0 h* P& s7 s% B8 c# y9 \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

8 U' L) v4 l& G8 _5 R2 {
7 N+ X8 o; c$ Q% C! o, x3 U已经搞定.
9 T/ A. _0 ~% {; m, v
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
5 l5 F/ g9 X. [
1, python + pypdf 按章节拆分小的PDF

! b9 X% e  K( M6 X5 d6 f4 r% A2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

- V% R' `7 p) f9 g: O. r; l( W* O得到text file
" h" p* o. E" @' o' w' c3 r; l* D
! ~! z/ [# X3 }4 n3 }) V* t3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
  h4 J5 X0 q9 k: a" U2 k
2 u2 _% d) y: g3 nmax_tokens 最大是 8192，别的不用改。

参考：
6 K! W2 [& G7 X" ]  \https://api-docs.deepseek.com/api/create-chat-completion
" U# [/ Z! g. e" `! u& G7 K
4，费用：
* t- ~. @7 D% B0 j
实测：
' v, e1 N1 N) X; f9 |
296K 字母，用了 9 美分。
) d0 @! M% H2 V
& S% Z3 l9 d0 M' X7 m英文字母 到 token 用量大约 1/3
2 ^6 h! I6 D) J8 s: ^# p
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
0 f  b- t; A% G
价钱，非常非常便宜了。

* L6 X* ?* }7 B8 F) Y( l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
3 l: W3 @; V5 K& g3 Q1 h+ \+ p# ?& ^1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
9 U9 A& ?( U0 M* F1M TOKENS OUTPUT(5)                                              $1.10                $2.19
& `" L7 \6 q8 A6 I# h
5, Balance

' c2 w4 u0 e+ g- Q  C5 }可以在程序里调用，知道每次运行结束后，balance还剩多少。
0 U# U8 r! a5 m+ Y/ ~0 m8 @参考：
3 l# |/ X2 E  E* a  S8 Y1 G0 ihttps://api-docs.deepseek.com/api/get-user-balance

" e$ O2 m! d  w! G/ B4 v% X0 ?6 `" Y6, Models

目前就两个
# deepseek-chat
0 h, Z1 ~* B1 Z% R  s8 i- M# deepseek-reasoner
- S. x+ u, H! S( K4 X9 p
# y% _3 ]  ~2 G, Q6 B3 l参考：
https://api-docs.deepseek.com/api/list-models
8 g( w+ c# N5 a" U, ~$ p

7, 问题

  ^+ X5 Z2 I# ~0 t, K/ qdeepseek 会将前后两段合成一段。
1 L6 T$ h; X. C: c8 J特别是那种大量的对话的段落，deepseek会给你合成一大段。
( k4 s5 `5 f' `5 s. o$ t7 z
8, 钱说了算。

6 R3 v6 k4 f/ G% T: Cdeepseek 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。
; G7 }6 M3 n2 I; X但是API就不会出现这种情况，毕竟我们给钱了。
% u' ?/ H; l5 B; J( h4 T( wchatgpt也是这样的。

- v' t3 M8 t0 S$ D
( Y1 A! M2 u# f* W, X5 n! h& d$ L