利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

  l% m. i8 D0 s6 b0 l+ A; D) r
把PDF上传，然后让他抓取文字，并修改可能的错误。
' T; L2 \+ ]! {! m" X; b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。
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！
====
6 N% H' q. V$ H, m5 r中文也很完美。
经验值，每次十页比较稳定。
' A0 V* U  X) l0 Z3 O- f1 e# ]现在我这里API还不能用，等恢复了，全自动了。
5 x$ W3 V5 Y* V7 e====
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。
5 ], d$ u) F) {* x  n7 i2 E/ _& S好吧，我五体投地，继续探索。
4 {. f/ T* r0 k. A  O# R====
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。
/ m- X7 A/ `/ }/ {$ x====
好吧，有些东西是不给翻译的，哈哈。
4 [. l4 L5 P5 U" e2 [+ C
0 c/ W. c: F* }+ aSorry, that's beyond my current scope. Let’s talk about something else.
3 @- i: \  E8 z- Z====
6 l; ?  B3 v- S9 Q7 R6 r然后我的英文命令也让deepseek 帮我修改，呵呵。
. U+ ^; U! M$ A. Q====
& k1 ~, P) }2 e# s# 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。
$ P/ ~/ U) t. h. a+ T/ c% u====
+ |4 x5 o! |% V4 |' p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。
2 Z: J: u- \7 J4 P& w; D4 xhttps://chat.qwenlm.ai/
% S1 G/ T0 F. ?" @/ b' ?====
Deepseek，API 看上去可用了，但是不给充钱。



. @2 |' t2 ?/ B6 M7 q, a

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

! c7 }8 y+ ]3 @. m' {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
/ {: Q: U5 V( E有没有上传整本书试试

# C5 X# D, Z8 W* P4 l7 J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 k5 D$ N; h- P. F( l5 b
! q( N; o* N! }以后让deepseek 读出土的竹简

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？
5 w! j* I, }: g" P  Z6 y
* U4 [- ^) E% E0 [5 a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
& x, ^9 q+ |# {/ ]请教是如何实现的？
9 K4 f4 B; G3 @& g% P/ G
/ ~. q$ s% m3 F3 W) L8 o7 a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 ...

& Y1 i  U- g) h6 o
. z5 \+ R' C; ?7 W/ F/ t5 e# S3 R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。
* {3 B  e0 A& M6 \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。
+ D- z; L: H2 X$ @3 }5 a% K$ q

nanimarcus

方恨少 发表于 2025-2-3 01:23
; i& H4 a3 i" G& w9 z) @请教是如何实现的？
6 j9 _9 s0 X5 `/ B* Q& g; }3 a
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 ...

) c3 `# O* F6 }0 y! `7 C9 C& Khttps://chat.qwenlm.ai/
# t( @1 R2 Y4 P. I0 Y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。
8 V7 y5 `+ f; A/ d0 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。
& U# s! u9 `( C' L9 H% @. {- V$ i: N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”。
' ?% A+ B6 w/ V
- X; k7 `% D# {  Bhttps://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
3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
4 q/ Q  r! U5 ?9 T  J3 [( p; `

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   6 p8 \4 ]7 r& D; ]* h
2. 
     e" U' w( b# G! h: d6 q8 c8 Y- H
3. extractor = PDFPageExtractor(
   , g9 w) m- I3 ^7 A9 J+ X$ T' g/ F
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. )
   ! L% g' |. v  }) e5 U
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

% H+ F/ p. [0 _" |, K要修改的内容：
1 H% M* A7 Z6 r! j, M5 g4.1 /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
1 c" E" B8 O7 n! J0 B; P5 g2 }4.3 /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。
先写个小程序，把PDF按章节切成小的PDF。
/ l* {/ M9 Q1 q0 a# I然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
- f9 Z. _3 ?" _; u# Y2 F效果非常好。
( b" O  {* ]* J: A
2 s# Z, g# y+ j; I- j  _deepseek，qwen，chatgpt 三个，deepseek是最好的。
. G9 O7 a7 `3 y& W. H( a* h# x
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。
1 X0 c& C6 K& Y/ L0 A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。
: @2 @5 S, {4 J' f6 T8 c
$ f+ E1 l* m8 Z$ n  A- a1 xdeepseek可以同时开四个。
2 X" M9 r% l6 o: q

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 ...

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。

+ w- q. S- i. D, |0 y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

( D& A- Q/ [3 c% ]& K2 @& A
已经搞定.

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

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
" m% ^( k9 o7 V9 B
得到text file

6 t) B: J5 G' ~/ }8 {3, python 读取整个outputfile，丢给deepseek 矫正。

1 B. J7 d# g$ ]* v, ^  ]( q模型是 deepseek-chat
0 c* F% J2 _8 j9 q. ?4 i, r- @# ]
max_tokens 最大是 8192，别的不用改。
0 T' A+ u+ k& d" Y  T/ h' L
* `! p* y. `7 O  }& `9 H3 B( @参考：
https://api-docs.deepseek.com/api/create-chat-completion
( g: A/ j) f! `: n2 j. T
% H0 K4 W4 B3 P. n+ J4，费用：

6 [. h4 M& o. Q9 k实测：
# [1 U& u" V3 `2 ~
6 Y/ L- `& b8 t296K 字母，用了 9 美分。
; R# t" V( Q8 U  ]
3 ^6 t. k6 K3 |0 A) j& _英文字母 到 token 用量大约 1/3

1 s* x8 D- A! c" a& Y% Ptokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
( N" |& a9 o7 D! L
( g/ F5 V9 A0 J' S32899 个字母花费 11782 tokens，包含输入输出的 tokens
8 |+ x2 P8 k- x/ E
价钱，非常非常便宜了。
" B/ |$ n' r5 x6 A- a. c
1 h6 r! u+ P0 B' b参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing

- L7 p0 _" ^5 J1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
( X0 B0 X5 B7 F1 C6 c, }* d1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
" A* V8 Y8 a& Y1 c/ z) d1M TOKENS OUTPUT(5)                                              $1.10                $2.19
$ n$ p1 A  X7 k9 Q9 p
+ L# Z* {5 X% \# J# Z2 X. V! q" g5, Balance
+ J0 X( L7 Q1 e7 t8 s
可以在程序里调用，知道每次运行结束后，balance还剩多少。
# j+ W5 B# L: t: v, I, Z$ O6 J" J参考：
https://api-docs.deepseek.com/api/get-user-balance
# {; }- p1 n! @9 H
6, Models

* c/ K* t, a, O* s  W0 x目前就两个
9 ?. I+ }0 I2 I8 d9 \# deepseek-chat
9 K) f( f' a/ @5 O# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models


$ s9 O/ x1 z; s* e. T7, 问题

( }! r6 ]/ k& gdeepseek 会将前后两段合成一段。
  q' v4 ?8 J* ]: Z! }! [特别是那种大量的对话的段落，deepseek会给你合成一大段。
: W$ p; R" p4 l" }7 e& R
; Z) l, {& i  B4 u  B( O4 C8, 钱说了算。

; P/ j  O; E3 g, y5 R2 {( L0 Kdeepseek 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。
/ y2 `; n! z& Mchatgpt也是这样的。
3 G; S' V. a) N4 {
9 R2 ?( g5 Q. _) B1 S- V