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。
7 r) k% M; a) X9 u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！
====
: P( \" ^) c8 R9 J, J+ x1 e中文也很完美。
经验值，每次十页比较稳定。
/ \- {/ m. I' U" ^7 l  [现在我这里API还不能用，等恢复了，全自动了。
: d0 W: h9 M' J8 K. r, i$ F  q====
. |4 L" J3 V! m( I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。
7 }& w! ]7 k& h1 ^. E% E2 M, ^====
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。
- @  C" G- _: m( Q4 b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。
0 d8 P, _- B0 D8 N; ~: I====
  ~- y. _5 x& }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。
) x6 R) R; q, M, ~/ G1 l====
好吧，有些东西是不给翻译的，哈哈。
' K0 Z0 G3 M# {; z. @. X
* T! `) j, Q& z; I! K/ c, m6 USorry, that's beyond my current scope. Let’s talk about something else.
7 v2 X8 y% W4 D+ L====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
9 o$ l+ ^/ V0 J- E0 v, ^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。
( Z# \) g9 N9 t" Y1 W====
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。
====
8 y) [* O7 U$ N  t  T+ o9 F+ f1 W/ H% X用千问吧，非常稳定，非常强大。
/ ]# W! M- n+ y# F2 \https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。
& ?6 C& E7 \3 P+ Z( _' y
8 `7 d% J5 K0 M" B, w$ o

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
5 R& v1 z& p/ x( j/ Z+ Y8 ?: c1 e有没有上传整本书试试

; C0 D# D  j& @3 B( \7 b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

) }+ w8 y8 X9 y: v/ ?5 i1 [以后让deepseek 读出土的竹简
9 U0 n0 `% p/ Z1 O: }* x. h+ n
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？
; r/ q3 f2 L* K3 L% v/ t
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？

0 b$ g. C4 [% K( A- ]$ O" 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 ...

) Z3 s. z" {! ~9 w$ X
' |2 ~- o7 x% A% E3 h& |4 z4 `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。
6 O: ?* A) p$ I, W- {2 F5 a0 l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。
) O% A2 Q, [- b: c" e4 J3 G

nanimarcus

方恨少 发表于 2025-2-3 01:23
3 R( t# s& c) A4 n8 u, n. m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 ...

4 j& n, b  _0 J7 V9 Shttps://chat.qwenlm.ai/
" U0 J( P6 \8 ]/ {$ A试一下千问，估计美国人没有攻击他，所以资源敞开用。
' j  }* h6 L3 P+ u( u! R, U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。
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& |5 |, u) c, v$ \
https://github.com/oomol-lab/pdf-craft
) \$ d0 b8 I/ C$ X. R8 f
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
- n' V4 s) J8 \( l' I7 x( e( m3. pip install pdf-craft
8 Z' [1 d1 t; Y  k2 o/ W6 ?( a1 }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
   
2. 
   
3. extractor = PDFPageExtractor(
   4 z0 d1 @  n( U# @9 p
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
   1 o2 P: S, k  N, `% f! d
6. )
   3 F1 r9 }8 J9 `  x% X. p
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

& C' h* L8 t0 M5 w4 C9 l" h8 C7 {
( w5 B* V! Z4 `; G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
" W0 K9 a+ j6 U/ W4.2 markdown_path：输出的 markdown 路径文件名
& h, U; _& x/ f- y4.3 /path/to/pdf/file: 输入的源PDF路径文件名
  S  b# n9 ]+ {" r. V0 p" h- P# Q: `, \
5. 运行 python3 a.py

nanimarcus

- S4 I9 ?" N6 F; t0 R
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。
8 E4 j! [+ e  N  k然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
. o$ J4 k2 g" Y# N1 Z效果非常好。
% Q/ {3 y" E  Q2 @( V8 d" D
; ^" w/ O" n0 I# \0 V: ideepseek，qwen，chatgpt 三个，deepseek是最好的。
$ i" g. A: G" r0 U, r# D2 ^
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。
- ?$ X; w* {' H( T) S
API到目前为止，差强人意，不如网页版本修得干净。
9 C# H* ^& ?7 c# }0 D
) X+ L& ^9 `" u: Pdeepseek可以同时开四个。

三力思

3 X; w1 _/ r6 Y, o5 `# 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
. ^/ U9 E& q. h; W7 C+ {- K" C8 ]0 L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 ...

: ?# @" r) h& \) P7 f, t+ D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。

' T: t* Z' c; Z* ?) K3 c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

已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
) W  O! D$ @0 A% A
1, python + pypdf 按章节拆分小的PDF
1 W5 c/ B7 V1 B
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
! m# ?5 g8 c1 t) J, c8 k' W
得到text file
# z3 Q) ?, e. t3 }) p% q
3, python 读取整个outputfile，丢给deepseek 矫正。
6 }1 o5 x5 \& A1 p& e" j; |  M+ x0 D
6 f: a! L. I$ Y! |6 P2 k模型是 deepseek-chat
3 L  D4 L8 q  i, H- I
3 L- D; @6 N0 R' b) w" [$ ?max_tokens 最大是 8192，别的不用改。

/ R' E) U  |: x; w参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：

* Z8 s5 ]5 t( }* G实测：

296K 字母，用了 9 美分。
  d& Z2 E7 B0 A* e. k- s$ L& u
9 w- ~4 ~3 }5 I  v1 V1 h. y英文字母 到 token 用量大约 1/3

# Y; e% ~; ?9 n& a$ P4 U, K$ w4 |tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
4 ^" ?( G+ z6 [# t
# E5 F9 i8 l; g# q% g# b32899 个字母花费 11782 tokens，包含输入输出的 tokens
, `8 S3 f) E; m& K! ?! Z
价钱，非常非常便宜了。

& v, |1 }9 F% E: _9 \: _) w; ^* h参考如下可以计算，懒得算了。
/ K8 O, H7 o- t0 q. w* z
  p' T7 W# c& o+ [6 m- Qhttps://api-docs.deepseek.com/quick_start/pricing

' \; e6 ^$ m" d% c3 f8 a( @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
, F* C  I# W6 c% H3 z; o" r
3 W. O. L+ i( C% Y( b可以在程序里调用，知道每次运行结束后，balance还剩多少。
. g/ k- O$ ]% j: r& R& B/ O参考：
https://api-docs.deepseek.com/api/get-user-balance

6, Models
: Y5 _( v8 @8 h3 {0 E
目前就两个
# deepseek-chat
7 W6 _, M' s. k) |; E: k# deepseek-reasoner

1 Z9 Z, s2 l# _/ U  G参考：
0 N# ?: ?# ?) z3 d7 Bhttps://api-docs.deepseek.com/api/list-models


7, 问题
3 L. Y* |: L5 j6 b, X2 m1 r, w+ d
deepseek 会将前后两段合成一段。
/ {( G& p% i4 k' ]5 X4 N, ?  T特别是那种大量的对话的段落，deepseek会给你合成一大段。

8, 钱说了算。
6 ~1 f. \" l7 l/ _: F% b/ N) k
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。
% c7 ~; q! Y% c# ~& V3 m& H
1 F4 N  m/ e/ @8 L& Y! |$ n
( w: u4 ]$ z, V& L4 I( f& X" F+ w# N