利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

( k1 n1 t7 E. W6 J6 _
' h6 X  ^  n% `. O0 Q* V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。
" f8 W5 x. a5 g段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
- f  `, L0 b9 m3 L4 j1 J# h9 c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！
====
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。
====
# Q" G  Z( U; e第二次疯掉了！
7 i: ~6 j2 {% j  f5 J1 E% Z; ^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。
====
( P9 A" s  f9 s9 Y2 Y- K/ j* B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.
& t$ W! {% x4 F% b====
6 L" s, P6 H9 ~! O+ N/ O4 F8 t/ H然后我的英文命令也让deepseek 帮我修改，呵呵。
: e- H9 j; y3 j' {& q4 q) ~/ h====
$ L# k1 W8 N; g( ^! E6 `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。
: G+ \9 h" Z' }" }/ p2 d5 F8 ]====
时间段的话，北京时间的下午和晚上用比较好。
8 f# _$ u3 P, R* ]  l- u后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
' F3 _" K2 J/ m, m====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
" |' ~8 V( {4 q6 X====
. p3 u+ n% R. t% tDeepseek，API 看上去可用了，但是不给充钱。
, G. }( z  |2 Y' N: b0 r2 \
$ b5 T/ z* Z4 b

$ H) b" f/ ~% G: q) ~2 C6 Q

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
这功能很赞呀

0 [6 B3 M/ ?3 }; [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
4 V9 D0 M6 d0 M有没有上传整本书试试

8 m9 s6 r' s4 N- g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

6 z( Z7 C" p3 I  t' h
% [4 W6 O" g* y  _0 y% x$ x$ \% t以后让deepseek 读出土的竹简

还有把古文翻译成现代白话

- ~1 ]4 U' S) _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？
, G; v$ t* {% H$ P* u4 y! R
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
3 c, F3 B5 [, v/ F. d( ]. r* W请教是如何实现的？

$ `+ r: E) [) y* x+ 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 ...

; |8 U+ D$ `4 f5 |0 f0 t8 R/ 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。
# L; g$ {7 |# {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。
, _$ \5 [( U0 r' R9 C

nanimarcus

方恨少 发表于 2025-2-3 01:23
8 K* f* i5 c" w, a6 X9 p$ t请教是如何实现的？
5 u4 T9 c6 ~2 P
- m1 G  v  U- l0 Q  |/ g3 r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/
: y' G! a" u4 R; z7 J' F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。
. Z0 |, U* `& 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。
% G( A5 Q. Y( b/ G; E% s3 w* c3 |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。
8 i6 `( a) k2 ]' G' u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”。
" F# a$ A- O# e" y5 G2 q8 k( h, |. Z
https://github.com/oomol-lab/pdf-craft

( w) @9 k5 Y& V$ F# i4 E/ u: r1. 这个工具要求装 python3.10
1 s, s+ G2 W, A" a2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
2 R( c( J* |3 \8 |1 r- P# h! h. E3. pip install pdf-craft
+ m" e% I- w7 S! {8 u7 D4. 把下面的内容写到一个文件里，例如 a.py

$ g) U. n6 k' H5 j8 M  M, w  K

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
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
   $ M' c5 Q6 Z: q& u0 O) e
6. )
   
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

要修改的内容：
! l7 p6 m( t: h0 o7 K- O4.1 /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
$ s- E6 ~* P+ l* k4 V
, G) J! V9 A2 T% M+ p' E5. 运行 python3 a.py

nanimarcus

  b1 M6 r3 Q  G4 b: U! r! Z
' `' i$ J4 n" o$ C0 v+ h; K9 A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。
, L7 q7 V/ M' r9 D; A! v5 a然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
4 Y- t) t  f7 O& k效果非常好。
4 j/ q! x! H4 D$ Q% _, @* Q8 i) a3 o4 N
) L2 t, Q3 [8 pdeepseek，qwen，chatgpt 三个，deepseek是最好的。

6 o0 S. }6 p( j5 adeepseek 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。
% a5 b! B% v: ?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。

API到目前为止，差强人意，不如网页版本修得干净。

# K+ ]5 q- {& G1 o, U9 ]4 Tdeepseek可以同时开四个。

三力思

  X- `+ i2 z) E9 S; |: o" x) Q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 ...

$ W! [, m5 `' m3 P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。

6 X/ c. o. l& z" {5 Z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

3 H# T  j7 Z' I2 M' q8 Q
& h" K  z* o$ z4 M7 p0 D  l已经搞定.
6 f4 u, \* {' n. O
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
1 _6 n1 J& \* Y$ G' i5 m0 W
% `5 u% N. k8 ?3 t1 E" W2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

, Q' d, }7 c* ^; _; ^/ P' r3 `3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

6 |, P& i4 N6 |! o; c  E- jmax_tokens 最大是 8192，别的不用改。
8 A% [1 D0 C; ?8 I  }2 z) H
; p4 {1 |' y6 N/ i- g9 u* A参考：
% g4 i- F0 B- y8 T7 dhttps://api-docs.deepseek.com/api/create-chat-completion

: ]) y0 Q: {$ E+ M; l% o4，费用：

$ d- |4 Y' z4 w- O实测：
0 A6 E- C0 m$ H3 n1 D# O
296K 字母，用了 9 美分。
% B4 k7 L5 {0 e/ u6 Y
! r* V6 i! @# E5 T$ }6 p英文字母 到 token 用量大约 1/3
9 ], }& l2 V3 W7 l/ g1 K) {
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
" [$ F8 }7 u! H2 I
32899 个字母花费 11782 tokens，包含输入输出的 tokens
6 H+ q+ u5 i- H& W- j
/ C+ _- Z+ D" I. H+ n价钱，非常非常便宜了。
5 k6 l' J! Q) k4 D( f, W( r: f% i
" \- j4 J" B4 x, j参考如下可以计算，懒得算了。

) C2 L6 g. z; J6 J( n( q0 mhttps://api-docs.deepseek.com/quick_start/pricing

2 S# T4 U; T, O+ T1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
7 I5 Y( K# }+ q2 u  q% ]: f& H1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
) ?+ ]1 T. z8 L! f$ K& f1 r1M TOKENS OUTPUT(5)                                              $1.10                $2.19
' P9 H. H, N/ o/ c2 ?: r1 H' g
5, Balance
) f  r4 D. [: U# Z8 B/ U
可以在程序里调用，知道每次运行结束后，balance还剩多少。
. ^; h, Z* w; V, K. D8 f/ i) g参考：
https://api-docs.deepseek.com/api/get-user-balance
7 b3 f; F. N1 O: i. U0 \
2 H3 N; x. b$ ^# [6, Models
6 k& `. d; U9 ]" g! N- A0 y
目前就两个
# deepseek-chat
# deepseek-reasoner

, ~- h: ?) H' v* V参考：
https://api-docs.deepseek.com/api/list-models
7 u' K6 x0 `$ F1 i+ h' W  Y

7, 问题

deepseek 会将前后两段合成一段。
7 Z6 E7 M6 x. f) s& Y特别是那种大量的对话的段落，deepseek会给你合成一大段。

5 v( \# k) T6 Q  G" Y+ ^+ S. Z8, 钱说了算。

& z, Y$ \: i- G7 {8 M6 Mdeepseek 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。
, ]9 p5 I8 f, M  P+ c4 A: v9 s: N但是API就不会出现这种情况，毕竟我们给钱了。
chatgpt也是这样的。

* W  C3 T; ?- Y, W6 d: \2 X
" g% |; R  k( e& @; k/ l" F