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。
  f% H/ u3 H  ~+ I" Z, s段落清楚，列清楚，页眉页脚全部去掉。
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！
====
中文也很完美。
经验值，每次十页比较稳定。
1 l( @: `# d# Y, U% U现在我这里API还不能用，等恢复了，全自动了。
5 ]# `3 i; |* i5 _7 ?# L====
3 G! H; p9 g/ s$ R第二次疯掉了！
% g4 k' b" z8 y6 c3 ~3 t6 o0 |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。
- d( h/ {  \5 a2 P* E====
7 g* M) ~: d8 n* ^+ e/ o& W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。
====
# _5 l4 I1 t& x' N$ Y! @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。
: _) S: |4 K) E; q====
; K. u7 [& z* U1 E! ?好吧，有些东西是不给翻译的，哈哈。
9 e- L% z( I8 C5 v5 E" Q$ f! K
% ]6 B( T" Z1 d+ I. i9 C! CSorry, that's beyond my current scope. Let’s talk about something else.
+ A7 d/ ^1 z8 X9 Z1 Z====
9 u- w9 _5 \0 q* \3 `然后我的英文命令也让deepseek 帮我修改，呵呵。
====
: b2 y% [- j0 @) |$ R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 ~# K+ a) A% Q; S0 V6 c3 D" I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。
0 N/ m/ i/ Y0 J  G" @====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
/ U4 P6 N( v. c) pDeepseek，API 看上去可用了，但是不给充钱。
4 _; I" i! F8 d, _7 v
) [9 J4 _& J& n$ h8 o  b
5 t0 a0 o0 f, m* y. Q0 _3 L
: p* O/ c* {! z" s

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

& q9 w! a9 M: D0 @; y" C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
# M) Z% L# E: K' d: r8 p有没有上传整本书试试

4 O8 D8 O6 O3 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

' j+ ]5 r' G' H" A
以后让deepseek 读出土的竹简
9 [& i: j! F5 t7 w, f$ }
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？

3 b; I) t2 Q, @* K+ G5 N/ v4 f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
请教是如何实现的？

7 b* l. T; 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 ...

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。
5 C& T1 t3 j9 M1 G) U) Y" ^$ B文字之类的没问题。估计deepseek现在暂时只保证主要功能。
1 n# H1 |1 }! V/ f# n1 c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
0 Q3 {$ Z  B5 L; d, U2 w请教是如何实现的？
) ?5 {# b# t* i* E/ Y
0 l( c8 u0 b" }- F7 f/ ?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/
- ~( j+ Q- B' W6 k9 c试一下千问，估计美国人没有攻击他，所以资源敞开用。
+ h+ d% q2 E0 s4 x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。
$ V7 O- z2 o% t: }9 H& e* S5 i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。
2 H& w+ t( [7 ^9 C, 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”。
. t" q+ g, H: |- m' }
% D( P6 N. G9 Bhttps://github.com/oomol-lab/pdf-craft

# r1 \# [* }- x3 J0 K1 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
3. pip install pdf-craft
& E) j7 r/ |9 ?8 `" @5 S* ]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
   " X" g1 D) e2 h0 s! ?/ [
2. 
   
3. extractor = PDFPageExtractor(
     d9 l3 Z# o+ i+ y  x( T  O3 S
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ' w+ N" @9 |) j( `% B. C
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ' u2 K7 E8 }- t0 W
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

& o$ u3 S" l- {  L, [
  d6 U, s4 _" C0 f# m/ t3 s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

5. 运行 python3 a.py

nanimarcus

  h8 {1 t9 q5 ], Q1 @( L) B1 c
目前为止PDF转纯文字的最佳办法。
+ |/ K6 @/ \% V5 {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。
3 m9 _4 X, N& Z0 c效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
5 j! v8 ]# Y7 e# V  u0 D; O
, Y2 x- M6 m& E! Odeepseek 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。
0 p$ c, t) r8 i, k/ |/ b' P* k  A" A; d我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

: _) m3 P# e5 @' w2 R4 u" {API到目前为止，差强人意，不如网页版本修得干净。

0 B; b+ W: I. p; H2 l2 P0 ^& B: Tdeepseek可以同时开四个。
8 H* `5 M# T# m; D

三力思

8 p( `' G* T3 x( N( ^# |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
6 t! V& E" I9 |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 ...

+ ]6 M5 E+ C3 ~" |- X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 S, \' v, f# j2 i! n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

* m0 w; I1 r4 s- O' g2 i" g
已经搞定.
4 N/ d0 i, ~  ^. }
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
6 V/ }; @) W& c0 d: M( m
3 T) s8 `: i9 s, ~0 |1, python + pypdf 按章节拆分小的PDF

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

) x- s3 c7 M$ h$ Z2 x. _& V得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
/ p5 y5 ~, \- g' Y: F" Q2 e, }
模型是 deepseek-chat

* N5 }+ n+ \3 Q0 nmax_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion

  M5 f; |3 y) C$ M# w/ Z( [" O* m4，费用：
5 k) v* ?7 ?+ u3 t" H# K
$ T" _4 |! [/ V* G7 d1 l" Z) ^1 g实测：

296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
/ L- ]" o% [! w% |( K4 t
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
6 N! |+ a8 z! u% P9 J
32899 个字母花费 11782 tokens，包含输入输出的 tokens

1 `) v9 a4 `: e) n* H价钱，非常非常便宜了。
2 ^8 r: d5 F( n
参考如下可以计算，懒得算了。

8 i  J6 M5 K2 H- @4 V- B" |- Shttps://api-docs.deepseek.com/quick_start/pricing

6 i! j* Y+ N, D' ]1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
$ J* U% F  i. a0 H& Q" p1M TOKENS OUTPUT(5)                                              $1.10                $2.19
! m: G. ~( E. ~! l+ N7 j; j
5, Balance
4 {. P- K! N( J6 G, @
  z5 q6 X- Z% N0 ^+ b9 ^* A; N可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
6 p  l7 `/ K4 S( A3 V% G* Ghttps://api-docs.deepseek.com/api/get-user-balance
" `, @* }. F5 ?1 C8 b4 N- P  \
6, Models
5 r6 u) |- t0 o: J
2 ?6 c) [; t" m; i0 O  K2 O目前就两个
3 q; V8 g* s0 S! n1 X% K/ x) C3 R# deepseek-chat
5 \& O' |' m5 T8 ?' t& p. M# deepseek-reasoner
. [  O" o- e9 V/ d
1 ]* Q; e/ f! T+ q参考：
https://api-docs.deepseek.com/api/list-models


9 E0 k% u! I( J- X/ v2 v7, 问题

7 v9 U+ ]- M) y  r& c" Kdeepseek 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。
" O. F* d1 |. b; _
. R! e* a" q- q# ^8, 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。
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。
2 t% F1 I0 x# c1 k8 F  o- n$ c+ x
6 G1 S" D/ Z  Y# W+ u3 W! d2 j