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。
, I5 m! Z4 R# \% h1 s然后deepseek完美的完成了任务。
% L+ q% u' I( W9 l- g1 S3 I! E段落清楚，列清楚，页眉页脚全部去掉。
( c, ?8 y% {. V: Y我要疯掉了！
8 O+ F5 }+ m) C  m" K/ X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！
" S' B0 B6 u# ~- W3 B. Y8 F! @====
; l5 v( `) c- c. |中文也很完美。
经验值，每次十页比较稳定。
- `" q  R6 v# \& K2 G# u8 S% 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！
- V7 h" c) w: _# G* 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。
====
8 R( e/ x, M; @4 V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。
: B% `% J! U+ N+ N9 V( p& _但是任务多了后，每次翻译的页面数是减少的。
" _  \: C$ ^# a5 a1 W  Z* b" |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。
====
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.
" K- Y5 x0 y# M; R& R- c  v====
: l+ V2 _) w' n% F9 {: x: Z然后我的英文命令也让deepseek 帮我修改，呵呵。
====
/ N# k# y9 X/ u3 e7 Q+ Q4 g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。
1 m) P* e) ?% d- ?====
时间段的话，北京时间的下午和晚上用比较好。
* a3 b8 A. h4 b: ^! {/ n4 ?: a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/
) Q5 |; o1 L. y, ~====
  U/ t" X4 r* M& [. wDeepseek，API 看上去可用了，但是不给充钱。

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
  {& N6 D% b/ f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
" ]2 j4 L$ s" p9 k% E0 ?3 a6 b有没有上传整本书试试

# m, s/ B8 _8 F/ |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

1 p0 \' a- p. H8 h! b  N  m; ~以后让deepseek 读出土的竹简

$ g! s+ i2 m- h$ m还有把古文翻译成现代白话
& o$ M: Z; ?9 W
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, C& j0 ~& ?; ~
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
. Y1 N; O: z% w: h: @! b, P9 D0 O请教是如何实现的？
$ U9 i" s) P6 Y7 [# R
" z& p) o% r4 c' C, R4 n0 o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 ...

+ A' ^, j* v) J/ e
% v( N" N( t* h. G2 Q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。
$ r6 E$ d( I% m/ x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？
  O1 j9 Y4 R* K# U. C* _% g
/ {6 E& k  u. c" 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 ...

https://chat.qwenlm.ai/
  I7 _. Z) H9 K1 Z3 t, K/ N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。
1 Y$ O! [! I  ~* \7 n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”。
4 a' h9 K: g8 ?7 g) m
https://github.com/oomol-lab/pdf-craft
: E5 M) ]5 o% _7 f
4 r# i) r9 u4 C' @/ w1. 这个工具要求装 python3.10
' J  j( M  j+ F/ z! m; e2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
% l7 F9 L; q% E# P6 j3. pip install pdf-craft
1 `% h8 e4 a0 ~6 c. A4. 把下面的内容写到一个文件里，例如 a.py

4 \! ?& c! x) K

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   2 R& A( e& n2 g7 G) X  e' a/ Q8 {
2. 
   
3. extractor = PDFPageExtractor(
   & ^# Y$ T) d6 z) z7 m  v
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. )
   9 Y( Y+ I9 c9 W3 k
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   , S  z1 K! X: p/ N
9.     md.write(block)

复制代码

3 G( Y( |- Q) p8 H5 V5 X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
$ Z8 }1 F. x% Y5 q
5. 运行 python3 a.py

nanimarcus

/ ?' w/ T( X1 o* G3 T/ V/ i
目前为止PDF转纯文字的最佳办法。
& E0 w$ T3 n$ ~1 W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。
效果非常好。

! A4 f) [5 a% {9 A4 ~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。
5 L, K7 R) p0 V8 g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。
% i* v: [3 K. m2 t9 O* S3 \# s* a
deepseek可以同时开四个。

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
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 ...

) ?, o9 Q, \% p% D* u3 l& ?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

8 r5 W! P% }! X已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
. ^5 g5 B. U! f! u) A
1, python + pypdf 按章节拆分小的PDF
4 |; a+ l* e, X
& B: E) |: _6 X# ^* d. i7 ?2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

% ~3 c0 v8 o/ M: A7 G0 H得到text file

: k& T8 T, |: x1 K3 E) c3, python 读取整个outputfile，丢给deepseek 矫正。
. D$ e; y& U% D% z$ k
0 M' Q5 Q' q% A. L. D模型是 deepseek-chat
6 g5 }9 m. {  ~* h6 _
max_tokens 最大是 8192，别的不用改。

4 H* o9 `/ }  ^' i0 ?6 b! {$ [参考：
8 n3 j& }. U. {https://api-docs.deepseek.com/api/create-chat-completion

4，费用：

实测：

296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

8 V& T. |7 s' ]' a  V$ Y32899 个字母花费 11782 tokens，包含输入输出的 tokens
7 `9 D% [' ]7 b
; e" n" E5 x# n- v  H# M) M3 Y/ T价钱，非常非常便宜了。
) e" L; B4 y8 J
参考如下可以计算，懒得算了。
: L* h( e8 ^1 Q! z( w
* Y2 Z1 n* h9 U8 Z4 k1 Q9 |( Y5 ]( Uhttps://api-docs.deepseek.com/quick_start/pricing
! B0 w& B$ Z3 c4 \* x/ C
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
$ w1 f# f& h* N& i0 J. s
4 W/ s2 o" W" K  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：
https://api-docs.deepseek.com/api/get-user-balance

6, Models
/ P# e/ a! t1 ~# z
% n* Z6 K! U6 K& w0 g* H4 p  o目前就两个
+ _  G8 u( g! Z# deepseek-chat
# deepseek-reasoner

7 M* q5 t7 \* h: I参考：
https://api-docs.deepseek.com/api/list-models


% n1 {1 y6 B6 Y7, 问题

- x, u5 y, z6 J- l9 D, ldeepseek 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。
3 v5 H; }! c0 ~& B/ Z, \# U# s
. p! e9 r: ^$ J5 w6 v6 R' F8, 钱说了算。

; x4 r/ q1 U" y0 o5 ]3 Pdeepseek 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。
0 O7 ], z7 p! j# m8 [7 R但是API就不会出现这种情况，毕竟我们给钱了。
7 U- {# g9 E+ b# s- }7 _chatgpt也是这样的。
: J7 g" ]# C# {( p. N  H