利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

- b, X1 r* d, `& j) E$ m
把PDF上传，然后让他抓取文字，并修改可能的错误。
7 ^8 ~$ _6 }5 C+ t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。
2 |( W- y6 o6 r' `6 w; j我要疯掉了！
1 C" J. _( c7 `4 S5 G3 H, j, 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！
. Q$ X0 U( @+ W% `- y====
中文也很完美。
3 M! _- g9 Y7 c9 `0 g8 V( h经验值，每次十页比较稳定。
4 B2 I( ]  D0 Q2 }) J3 r$ u; Q' H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。
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。
5 V# U0 @+ J1 }====
+ i6 V/ W9 F- h' d: A& C/ ~" }好吧，有些东西是不给翻译的，哈哈。
% [$ L1 ~; |* q! o  C2 j
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 g9 W; M, q) B* g, j: Z' o8 _6 K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。
$ t* i6 b. e6 B; B* G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/
====
" T4 V  e: V$ z4 l- q2 |2 {Deepseek，API 看上去可用了，但是不给充钱。

( t/ {1 _  F9 q1 y6 O) W

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
( c. Z4 U; j' f* c. W- |! ~这功能很赞呀

  {- d- W  k' u! N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

! J8 q1 i4 P" b. y# O8 V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

$ o# H( W3 p  _" @/ P. H以后让deepseek 读出土的竹简
) a% Z- ]' F& T0 O3 D
8 V& x) [; L: l: w; x. a. D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？

  \( j0 l; y3 u. e$ P* p8 }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
- ~: Z% p" m( L+ s- I请教是如何实现的？

6 w$ u+ A7 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 ...

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。
* L( z. }* q1 T- q* z$ H- V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。
3 ~  @0 t% W, Q8 N2 w

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 ...

https://chat.qwenlm.ai/
$ v" S6 B5 r. L( o; N  s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。
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。
- t+ f) ]* b) B4 _' @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”。
! S  L8 r3 A7 g
& h% n" P3 M0 H1 n2 p3 T/ M* D) xhttps://github.com/oomol-lab/pdf-craft

8 s- ?' M8 ?) ?7 Y1. 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
6 ]5 S% ^/ |6 P  ^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
   0 J7 [( X; l: R2 O# U4 C+ @$ \$ y
2. 
   $ J& @: Z" G. X2 m( S+ |7 S. d
3. extractor = PDFPageExtractor(
   
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
   / }4 V9 B8 u9 ]; o+ {- a! T7 a
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
     n+ c' I3 N- R6 P
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   + y- Y* j5 u8 x+ Y" i
9.     md.write(block)

复制代码

0 d* d2 D$ C+ Z* `# C$ _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
* `* s: o0 ]: ^5 }: M4.3 /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。
2 |! D$ E% s! @% Z6 l0 k! N( Y先写个小程序，把PDF按章节切成小的PDF。
7 d: j, t6 L# ^然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
( M  Z+ ^7 {; J效果非常好。
; G1 j6 d) l# Y/ G4 ?/ k
1 C) [7 v" h$ L& X: ^deepseek，qwen，chatgpt 三个，deepseek是最好的。
5 B* [3 @; U' \7 g
+ _% G. ~: v1 C) q$ ~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。
2 b1 U9 i/ D4 }. Y  e2 j, C我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
' i9 t; e  M% L6 }
API到目前为止，差强人意，不如网页版本修得干净。

2 ]/ [8 [) f# W" [" cdeepseek可以同时开四个。
: `3 X( d9 A2 v$ S* Q+ p

三力思

# |/ A3 z0 W3 K& A# Z
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
; Q  o$ w# u- A: p  ~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 ...

9 y. R( I6 @- z0 j1 e% S, ^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

( ^4 Q" s) J) ^: M1 S
已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
  _( x) e, |1 Q* ~$ i. Z
0 |1 s' X# i, U# Y; w+ J& F2 Z1, python + pypdf 按章节拆分小的PDF

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

得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
- v# `" ^. b8 h; W9 Q4 [! p$ x( J
, u0 ~  x: X  K. Y模型是 deepseek-chat

! N/ o0 t4 q2 k: E1 ^& V. y3 A3 Wmax_tokens 最大是 8192，别的不用改。

参考：
5 u" r/ N2 z8 g3 t. N) i& j4 ~https://api-docs.deepseek.com/api/create-chat-completion
; M, u9 F% Q7 v9 i. X$ J1 S
4，费用：
+ t5 s$ ^6 p/ G
3 X1 @* I$ T$ z/ R4 i+ Z实测：
" S0 D8 O. O7 E( Q
( U4 t- ~* X7 A/ N5 ]6 a296K 字母，用了 9 美分。

1 |9 z- x# U) U" @* @8 s英文字母 到 token 用量大约 1/3
' r9 c' F2 G/ v* ?: Y% _( r! m) u. d
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

' t/ A! @' P6 L& u. t32899 个字母花费 11782 tokens，包含输入输出的 tokens
- Z8 T$ K3 x) S( P+ m7 v
价钱，非常非常便宜了。
: o1 L% K1 B' U2 o- l
参考如下可以计算，懒得算了。
5 D- {' N, Q& P$ I: E
( R2 e* s- q2 L7 |5 ~0 I3 l0 K, yhttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
# p: J& `( s& h! M1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
7 ]) ?# p  \( J% w. Z& M参考：
https://api-docs.deepseek.com/api/get-user-balance
4 M0 l! N& R" ~5 g( X
7 c* n  X) B( D8 x- G5 m6, Models

! I! B- N4 [1 R/ X/ |2 Y5 `, @* O% k目前就两个
# deepseek-chat
# deepseek-reasoner
- u; |3 v) ~6 v
参考：
https://api-docs.deepseek.com/api/list-models

+ I3 n( A5 ?& L
7, 问题
8 }" X$ t2 Q( h$ 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。

; z" l! U' v, `9 w9 X3 P$ b8, 钱说了算。
; H1 v; d, V5 E: O. b/ _
" H' u" k  f% V" Ndeepseek 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。
2 S- S/ ]- k9 V# E但是API就不会出现这种情况，毕竟我们给钱了。
' ?- d6 \& p: k) g3 \9 j4 achatgpt也是这样的。