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。
9 N2 n) C7 J+ g. s' l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！
4 \0 O& d! v8 N" m' U4 w3 X: L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！
# K3 q+ g3 B! o" t* @1 a====
中文也很完美。
经验值，每次十页比较稳定。
% L9 c  S5 h, }6 q, s) q/ E现在我这里API还不能用，等恢复了，全自动了。
====
1 B  f& ?9 K% q1 b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。
====
" w6 ]. W) P( B* f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。
====
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。
( k! K; W8 r. \8 E' Y5 n8 G
Sorry, that's beyond my current scope. Let’s talk about something else.
- N( ?" @$ @' m/ y7 |: e  E====
5 p6 ?* }3 b. H1 n2 c+ c然后我的英文命令也让deepseek 帮我修改，呵呵。
====
7 d0 c: R$ A8 e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。
/ x3 a, r( c) F9 {: r/ x; H7 Q====
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。
% R' @3 f! Q/ ?https://chat.qwenlm.ai/
  |/ y! h6 G% [+ t% K9 [( b====
Deepseek，API 看上去可用了，但是不给充钱。
* \! {; q9 A% ?( j: R1 s- }

7 [8 B5 b0 L# C4 |" v, D

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

以后让deepseek 读出土的竹简

4 n' F" I+ S& U, i- y2 n还有把古文翻译成现代白话
2 A1 h& l% t3 l
' k  ~: u/ R9 }6 S- n# v- h# f, v7 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？
7 o) W& |! S" S, U0 C! T/ 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，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？
4 Z1 U* h0 [) n8 W) O3 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 ...

% L8 L8 t1 A* {
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。
& \  |- P4 z0 J1 \1 F$ l

nanimarcus

方恨少 发表于 2025-2-3 01:23
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 ...

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。
. u+ M7 t3 _4 d8 T! G  R- B9 ~( q很稳定，质量不错，好像最多一次处理15页。
5 L8 F' y! R' z! u. R4 u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。
1 w: W4 Q' A* V9 t) Y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。
- f8 g8 n2 ~5 {: f6 P6 m( 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”。
; z( V( u1 p9 o: g
https://github.com/oomol-lab/pdf-craft
5 q- _  s6 p! f" S9 n( h
" Q1 Y4 \3 E; 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
4 Q0 j1 }& B0 }  U" Y6 S$ b4. 把下面的内容写到一个文件里，例如 a.py
8 ?/ R$ F8 z3 r

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   ) r  ]. |/ t, f* i6 P% h$ u
2. 
   5 W' z3 j6 r: }1 a2 s
3. extractor = PDFPageExtractor(
   5 c0 W, U$ `& [9 v( d" |& k& x
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   . E/ Y) ~' H- v* p' {
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ' D4 X- [+ s. j9 [  E
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

! G: ?# d2 |8 U- l% d
0 \) l( p0 w! \% c4 e! d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
$ j2 T1 W) S4 p: D, f4 K+ Y4.2 markdown_path：输出的 markdown 路径文件名
+ E5 g! W' w( z& @4.3 /path/to/pdf/file: 输入的源PDF路径文件名
4 f6 M0 _8 F8 L+ Y" l2 o
5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
" p% o& [( c3 j% V. ]% j' i# R先写个小程序，把PDF按章节切成小的PDF。
, R+ X/ g) Z4 U+ k+ m, e; H, z然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
6 x5 K' \# O% S, z4 g8 M效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。

; V5 l7 w$ Y) E- g, P; Q# `- adeepseek 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。

3 f1 P- p0 r% _' _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。

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
$ N7 X6 k7 W1 t) B# @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
# j+ v$ g( z+ o* R细说一下，听上去很不错，多谢。

" G, {6 d. I; s9 s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

  C' r2 h( }" Q9 g2 L
已经搞定.
8 o% I4 G8 }' Z! b0 n: }
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
2 {- O* I: n: Z
1, python + pypdf 按章节拆分小的PDF

% E# l  @4 P: D# r# k7 c: R5 K: o2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
. j. K. r$ s( Y. ]' |" {
得到text file

% w1 r) Z' v  R  L. C7 K1 B3, python 读取整个outputfile，丢给deepseek 矫正。
4 k& |9 H: `! C' t% B
7 A2 @  c6 h% P/ g, I5 M! s0 ?模型是 deepseek-chat
7 {( g6 `3 m% ^# L( E
1 a1 Y) A! ?) p; x0 D, W& Nmax_tokens 最大是 8192，别的不用改。

参考：
5 d$ w2 W5 ^$ C2 ahttps://api-docs.deepseek.com/api/create-chat-completion
: S3 @5 d: _( @
  N6 T5 ]+ a1 n+ I/ _4，费用：

实测：
& Z/ D4 V+ _" G) Z' v
" l! b/ F) \9 X& p296K 字母，用了 9 美分。

( N7 v$ I  S9 o, e# S英文字母 到 token 用量大约 1/3

! h: \" ]* u& h8 b6 utokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

* N' U5 k2 S7 s3 ^/ m32899 个字母花费 11782 tokens，包含输入输出的 tokens
' @+ h; u: r  U5 d- v3 F& \2 c
6 x( p% B& h) F* ~3 n- c价钱，非常非常便宜了。

参考如下可以计算，懒得算了。
# f9 U) b6 J/ ?0 c6 f0 i
https://api-docs.deepseek.com/quick_start/pricing

! N  ~# ^" d6 E* d1 P) \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                $2.19
9 x+ }- P( z4 |3 l" J8 P4 c
2 E3 L( g& O  z2 A$ D5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
) L$ P! V0 t8 N  x! t参考：
0 }/ s* h' S5 O4 d9 shttps://api-docs.deepseek.com/api/get-user-balance
8 q7 }8 G/ L: Z  E2 d& m/ y9 o
0 v  `( B" Q( Y% u+ p! ~6, Models
' B" ^, c+ U+ ?5 z5 Z% O
+ v! t4 G9 l% v目前就两个
1 X0 w$ a3 A. A8 g& i4 r/ H/ D. R# deepseek-chat
# deepseek-reasoner
8 n" x6 s3 s$ m! ~
参考：
+ _' G5 t" w. D; T) ^2 B, Q4 x: f) M& S/ Yhttps://api-docs.deepseek.com/api/list-models


7, 问题

! n% Q7 \9 k) cdeepseek 会将前后两段合成一段。
0 z. ]) J3 ?% ^特别是那种大量的对话的段落，deepseek会给你合成一大段。

6 O3 I$ B% [7 I4 C% R, b' z# b4 N8, 钱说了算。

( C$ W8 q7 P' 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。
& [. ~5 u3 n+ c9 A# q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。
5 b8 x$ I4 o6 y4 R0 G( g2 ^7 N
" i0 I0 m" W6 w7 B/ N- `# @