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。
" e: m* |* t: h  `8 J# B. K. _/ m段落清楚，列清楚，页眉页脚全部去掉。
9 w. r/ j. y8 |# e4 k' x& j我要疯掉了！
1 }$ f/ w3 V. U$ R/ t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！
: ?/ |% {9 l' V( K4 X2 ~====
( l1 v0 F( [9 r' s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。
====
第二次疯掉了！
0 m  G) R: F" v+ z4 ^1 @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。
====
5 K6 @/ ^: ~: u6 N$ B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。
- `( ^+ a# ?( t====
# F7 d/ c9 O4 I9 p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。
+ p, v( [1 R- w% |, i====
好吧，有些东西是不给翻译的，哈哈。
. l; K1 w% n! ~7 i% u
: w9 O& d% b3 a) D0 tSorry, that's beyond my current scope. Let’s talk about something else.
  @0 A3 n6 P+ p* B+ i  D0 e====
. A3 X" d. W% e! n5 d  @/ p然后我的英文命令也让deepseek 帮我修改，呵呵。
1 u2 d- l/ d" A" s: N& ~- ^====
2 ~$ K6 p6 J9 L$ v; k4 s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。
8 m' E9 C; t8 N6 X9 V====
* M9 T( r; d/ U  M2 G* f9 W$ H% A时间段的话，北京时间的下午和晚上用比较好。
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/
====
4 j$ n% }" {2 j: W( @8 c+ `Deepseek，API 看上去可用了，但是不给充钱。
' A1 P+ P/ g' h& Q9 z1 y: ~7 M$ G


: ?. [$ F& G, `6 F

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
9 T* `7 [: Z; O( c$ K: }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

4 I, \+ m* k7 R7 P* \# _/ q3 {
以后让deepseek 读出土的竹简
/ i9 M) V$ x! ~% k* R+ p- V
; z9 x0 I, d' y# b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？

1 s9 v* U  h/ Y' 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
4 Z4 z9 d2 M8 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 ...

; R- Q' T0 ~' _+ [5 r% i- 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。
文字之类的没问题。估计deepseek现在暂时只保证主要功能。
% h. t; A0 l0 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
请教是如何实现的？

) q8 Y/ y' g/ S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。
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 Q; F2 O) p3 P! A4 ?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。
* x0 H) e: n0 {- H' i# U  c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”。

https://github.com/oomol-lab/pdf-craft
; n% J, g: @) E- |! [% L& u
7 [/ N6 {0 N5 K+ f1. 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
$ N) W. _# }( x) g4 U0 \4 m3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
8 i, X" _, R  V1 S

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   4 V' s- k$ J5 \) I  Q
2. 
   4 m. y$ W- m% D, u6 v
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
   
6. )
   : W7 J" d1 j# R! i3 |
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   * F  y# }* h7 [0 I2 o3 Z- n  m
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   7 Y- B( w0 c2 x) i
9.     md.write(block)

复制代码

8 f# Q/ ~2 h- K
要修改的内容：
5 Z0 C. B/ X% R, E4.1 /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
# ~3 L% V9 K% [4.2 markdown_path：输出的 markdown 路径文件名
# W) Z- n; c/ U  A9 _$ f4.3 /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。
3 K  ^- j" w' N$ ^7 Y% j# N先写个小程序，把PDF按章节切成小的PDF。
+ v1 d6 V9 n# u) h# Z- G: Q* s然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
/ h/ r$ K# }. R/ W效果非常好。
$ O  G7 t7 C, j) L
deepseek，qwen，chatgpt 三个，deepseek是最好的。
9 j* G) L' B* [
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。
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。

deepseek可以同时开四个。
, Y7 S3 U; s4 m  p& T* d

三力思

9 }8 [* ^" g5 K6 h. j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
* j: ^; j% P" q3 R5 J" B: N8 n) T9 X5 Z; R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 ...

细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
: l# N9 `& {  R' g$ m0 H7 ~/ O/ j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

" G0 m+ W- F" c, w8 c
# m* X; ?9 y! }已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

% S" d7 s: }; G1 l1 C% s2 a1, python + pypdf 按章节拆分小的PDF
6 o! s9 f2 t5 Z5 f' r8 o2 a
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

. x% E/ g0 ]$ R1 Z, |2 K: O得到text file

  y# f1 X0 K1 ^2 J! @3, python 读取整个outputfile，丢给deepseek 矫正。
* C* s! N/ \/ l8 J1 G; s. H
模型是 deepseek-chat
( j& l- }% Y: ]9 F7 L
- F3 j- t. N2 g0 C% Z8 W0 N/ zmax_tokens 最大是 8192，别的不用改。

& z$ X: |' U' f) h: S参考：
. D* K1 v+ c6 X1 d2 Ghttps://api-docs.deepseek.com/api/create-chat-completion
. ~1 H! g6 e& j/ @4 A% ~
7 X% g/ p/ v6 N6 e4，费用：
' U) B2 d4 k0 P+ T$ \
; Y1 ~. _( ~' k实测：

, }* d  r) d4 i! h4 x7 {" E$ e296K 字母，用了 9 美分。
% N& u9 w4 v' \! \7 G' _/ Q3 ?
英文字母 到 token 用量大约 1/3
# k8 o" p3 t  W1 A
5 I) }$ b5 g% J* o, B( I3 L6 ptokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

- w! `9 p) D  J参考如下可以计算，懒得算了。

  W. j5 \( Z& i& I2 H9 r2 F0 X( Vhttps://api-docs.deepseek.com/quick_start/pricing

  e$ V* a+ K2 e1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
- I. l8 V# |" J; s# T- d. _1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
! v- Z6 }2 J7 C0 T% u% s3 I9 c, ~1M TOKENS OUTPUT(5)                                              $1.10                $2.19

2 @! n: \% c8 o0 C6 l5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
5 N) W7 R* Q# e% O$ X& c+ U参考：
https://api-docs.deepseek.com/api/get-user-balance
- c2 r7 w' y1 m: D- T* \
% y: m  a, ?& w+ }0 b5 P, B, J6, Models
: C2 l- S; r, R1 }8 L
目前就两个
# deepseek-chat
$ L, \, J# ^  p& `2 K  ?3 }# deepseek-reasoner
- C# Y0 \# ?: D/ U" Z9 }( |
" H- J5 J  C5 L+ L& s3 m- c参考：
https://api-docs.deepseek.com/api/list-models


+ c5 r6 M. \- ]7 d. ?1 Z* u7, 问题

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。
* r; a: }" t3 R9 O
. J  a$ I) q# f: y8 V8, 钱说了算。
  D* Z8 v4 a0 x! f5 f
( z$ u$ G( S) }! M' V8 P" adeepseek 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。
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。
0 c6 F+ x+ y% r
; w3 N- J% ?7 a! |# @& t