利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

, ~& W* q1 v$ r4 g# X  T: \& z
把PDF上传，然后让他抓取文字，并修改可能的错误。
8 f. h9 A1 N2 q' x; B+ b. x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。
! f* X+ l- x2 K/ ?! z, k% m6 B4 b8 |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！
====
! V9 k8 g( Q  Q% \  j/ q; a% `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。
! Z' p& ^: e! n====
! h8 N% e8 q% |6 T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。
: n* P" T8 b3 O) }! r$ X; D0 ^& K" o好吧，我五体投地，继续探索。
====
5 a1 S' r3 v. b; u# x2 \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。
; x" J5 x+ B$ @% b5 Y; c/ @
3 b8 g7 k0 D% g2 USorry, that's beyond my current scope. Let’s talk about something else.
" z2 _: ^% U7 `9 J. g8 S====
2 J+ }, W/ M# E! q9 |然后我的英文命令也让deepseek 帮我修改，呵呵。
4 h: k- C" X3 \% C====
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。
3 f1 K+ D% m. ~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/
====
Deepseek，API 看上去可用了，但是不给充钱。



( n8 C/ K5 G) G# W9 d( L  l

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

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

/ C8 E# u9 P3 v( O8 R* e3 _& A
& O$ y, Q/ P1 s( ~以后让deepseek 读出土的竹简

; U/ v7 w% c# ~  `$ {1 Q还有把古文翻译成现代白话

! z# C5 c0 W! o! e" g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？

  @, d1 d* A- H5 [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
9 p# `6 U; k8 _  ]请教是如何实现的？
$ q7 X, U1 c' Y
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 ...

) B2 t9 Y5 A. n; T
5 x. ^( }4 e: C" ?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
请教是如何实现的？

4 Y1 L, B& X" K) s) 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/
+ h9 g- U) b9 n* o! w/ y. S试一下千问，估计美国人没有攻击他，所以资源敞开用。
  m% k6 a& f  q' j' ^- ^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。
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”。
8 j1 i3 t" v8 ]( Y7 @
https://github.com/oomol-lab/pdf-craft

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
) m. Z, k+ G4 \1 l3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
) N' B, w1 }$ q- v$ j* p  ^  [, I

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   $ _. M% x/ Z% x% A
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ) D+ e) v2 ?5 g  A% H6 t5 e5 V, h- N
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   1 E2 a  T  F5 Z  y
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   % u2 d9 c1 _: a) Z, U8 w2 ?, O
9.     md.write(block)

复制代码

  x; [) [7 w" O. }) b
1 k4 n& V% {$ B- Y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
7 t3 p+ }0 l, w  x1 i4.3 /path/to/pdf/file: 输入的源PDF路径文件名
& p' Z: `* G! Q8 h& ]" G6 i
5. 运行 python3 a.py

nanimarcus

" A: N# h, S+ u$ O( Q
目前为止PDF转纯文字的最佳办法。
6 M3 H" ?# l" P' Y$ i. i) z先写个小程序，把PDF按章节切成小的PDF。
7 J2 G) f2 w$ H1 x5 Z# ?然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
8 v' w% M; u5 ~8 l0 u: s
3 Y+ U: a# p5 m0 _6 }$ Y/ bdeepseek，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。
$ }2 h% g4 V7 Q4 b* F  a* z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。
- x# M1 A4 x& S- x我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

3 E' l3 k! z: U* m% G# B2 HAPI到目前为止，差强人意，不如网页版本修得干净。
$ j: D4 V! K. O5 w8 u# A: ?/ T& p
; `8 t) p- h# T; hdeepseek可以同时开四个。
  J, B' P, i* `& }

三力思

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
+ a) H* t3 x8 e. L4 z% [7 m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 ...

, L; d$ v; ~# o6 l2 L6 h' K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。

* K+ E5 \8 D# E% ^) ^4 b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

0 {7 v1 h" A# z5 ]5 m" W# o- e# R& l' n
( d! v( v% M2 U1 k已经搞定.
2 c4 i8 }' \0 b$ V
+ h9 l9 o. A% r2 s首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
2 u; y: W. t- {# f/ [4 K6 j5 n
( n, b: L3 a* x: b1, python + pypdf 按章节拆分小的PDF

# n4 f% l( b% O% T7 Z9 Z/ c7 Z) T6 k2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

/ t2 U0 ^/ H; r' O  @6 E得到text file
) c4 g0 X, n( ?
3, python 读取整个outputfile，丢给deepseek 矫正。
5 Z6 L/ b6 A' ~
" W5 h+ k9 v: T3 Z模型是 deepseek-chat
! |2 Z) S  C. T8 X6 O! b
max_tokens 最大是 8192，别的不用改。
5 ?" H* n3 w9 n( W
5 x5 ^& g( r$ b  ?参考：
. S+ L8 E9 ]! L6 Bhttps://api-docs.deepseek.com/api/create-chat-completion

* k( W3 o+ C/ h9 o9 P1 O" G4，费用：

实测：

296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
& k( I) f( U0 D* _& @
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
: Y9 A" g! y& s4 S
9 ?, z1 u5 |( ~; A5 M# P  e% p32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

5 c0 G' r- G" x" M- p参考如下可以计算，懒得算了。
0 U- p" N  F8 L, D
& b. G2 a# `3 J. n! Phttps://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
0 c& T1 G3 P& }/ V* Q' o) s1 z5 }1M TOKENS OUTPUT(5)                                              $1.10                $2.19
4 D/ N* d; e  w. g! j; \) o4 z
4 E) E" _% v' |& X5 E. S# T5 O5, Balance
/ ~2 K+ o5 C# v* }. W
$ l% b  [9 s2 ~5 `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

6, Models
6 x1 H! K: a6 X$ m6 M+ I
( z8 }. y' p9 K+ N目前就两个
+ k8 Q6 I6 F. {: l5 t" y( j# deepseek-chat
# deepseek-reasoner
/ s% i' C7 n" v/ ]' z1 }
参考：
https://api-docs.deepseek.com/api/list-models


7, 问题
" m# ~" Y1 r$ d: M- n3 J4 r
5 a+ W/ ?7 K. {; G, h: ^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) q% r/ M6 N4 X8, 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。
# Z( k" c& f" q! k$ C5 s* m0 s- W但是API就不会出现这种情况，毕竟我们给钱了。
0 M/ s3 B$ o) }: G( dchatgpt也是这样的。

$ p$ a) s7 R6 Z3 G, ]