利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

& ^: C* @$ O( [( a9 \" R$ w1 f
+ c; C* t' p  d* v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。
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！
5 e+ d% {; u. E6 O6 z9 l====
/ p/ S5 W" v% a4 Y, ?中文也很完美。
2 U8 J9 j5 Y" Y  q( G+ u3 ?经验值，每次十页比较稳定。
0 t/ k$ x! [# ]8 O2 F" L! a, y6 a6 h现在我这里API还不能用，等恢复了，全自动了。
====
第二次疯掉了！
" I& q7 {& I* Z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。
; l0 Y1 }- M$ A- ?# s但是任务多了后，每次翻译的页面数是减少的。
# i: I( o6 `, h; E好吧，我五体投地，继续探索。
0 S! ]1 d( g" S" \$ 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。
% g4 t* x0 p% P2 W0 x====
0 j! P9 L$ I8 ~8 o& w好吧，有些东西是不给翻译的，哈哈。
, I5 T  P2 K0 a7 G( b7 }
: p4 l: h6 T( u: d& I& ySorry, that's beyond my current scope. Let’s talk about something else.
====
! G: C9 w8 _$ o9 _5 ], ^7 T然后我的英文命令也让deepseek 帮我修改，呵呵。
====
0 u4 C. Z+ w+ ]' w4 t( v3 C9 }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 K' u& [2 V0 s0 n====
+ w4 v8 K0 d3 l# z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。
$ [" s: s+ L, N; h' A====
; E9 n: X# s4 d$ H" F  {4 F用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
; `* S$ U) b+ k: F  j" w====
5 g' d: r9 o& y8 Y- ]4 U* j& v+ pDeepseek，API 看上去可用了，但是不给充钱。

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

; N3 D3 _5 C0 Y- @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

$ G; A- _: L9 B* u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

8 A' j5 |$ \; o  W  o) `" z以后让deepseek 读出土的竹简

还有把古文翻译成现代白话

5 `8 X& q4 I2 E% o5 L9 a  \* ~2 s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？

) O* P  S! ]1 K0 r3 d8 O+ Q, V6 m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？
' [  j3 @/ N6 l0 B: \* }* I( m
6 A0 G+ H; d/ H% A/ {% 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 ...

0 f0 M, p$ E; X& D# J* W9 b, k
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。
% d+ W! w9 b. j$ D' @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。
" N8 \4 L0 U+ s: I7 `$ d

nanimarcus

方恨少 发表于 2025-2-3 01:23
2 T( ?( Q& A  G请教是如何实现的？

1 I; k5 j" G% r* P* G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 ...

2 v5 y* l( p1 ]# \1 whttps://chat.qwenlm.ai/
& O: [0 \7 a' C! O$ {: n  T试一下千问，估计美国人没有攻击他，所以资源敞开用。
) L5 N7 `: Q! i" T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。
$ f+ z7 F/ ~" h* E1 E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

" Y+ [- x1 o2 |. Y* T& C9 e5 _8 T1. 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

. R1 `4 A; j) d" r) y- H

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   " h: B) e, [" t5 Z5 b
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
   / d, d  _2 M' v7 D( O8 [: U# E
6. )
   ; e6 R* u  C( Q. n
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

& a' w1 b1 e9 `2 |( }
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
, [& L; y5 e7 ~! w& }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
: G- Z3 Q$ b  N9 @
5. 运行 python3 a.py

nanimarcus

8 z( u: f6 |/ H- H" s7 j' x
目前为止PDF转纯文字的最佳办法。
# p7 K# ?0 I1 P; J/ e/ J5 f8 @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。
效果非常好。
1 c+ S0 K" a7 y9 g4 n
deepseek，qwen，chatgpt 三个，deepseek是最好的。
: q" |$ d& h2 z$ E' K# q$ a$ s
* I& P: g4 n1 N8 h0 e- P- ldeepseek 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。
( {( c) i- i8 a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。
9 A9 L4 L8 _8 G* Y
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
" O5 E% w; P; [/ \0 J$ T! C( Q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 P* ^) B/ n+ A, _9 r细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
. N  U& g  g+ N* L1 |- L) G/ q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

! a" _  G& ^7 S8 N" L# M0 z1 F6 j+ v# y
已经搞定.

. t6 R8 n! h: K7 W首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
5 ~1 u7 c4 R& C
! C9 I8 ?5 t6 U1 O, j: y% t1, python + pypdf 按章节拆分小的PDF

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

3 L7 ~( S* Q8 {& ^  y得到text file

' S/ n* f4 J9 Q% g$ K3, python 读取整个outputfile，丢给deepseek 矫正。
* R3 U0 U+ A( s4 L( O) }
5 d  k8 _/ P4 `, [  w0 e0 R( Y$ B模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

  B( G, S: |) k: s, A参考：
7 z+ L: i- I- i) d& ?https://api-docs.deepseek.com/api/create-chat-completion
- h2 ]6 _% c0 L0 v$ O
4，费用：

实测：
: Z" `) ]' @5 [. Q$ {' S# z) Q. @
296K 字母，用了 9 美分。
2 I0 {4 c/ O- ]# W5 L5 j
英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

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

7 d- g  g3 ^0 B* t& F- H! l价钱，非常非常便宜了。

参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
" M% G5 a* u# ?$ n5 s
! z: b3 l. _3 N- r' x6 @9 N( n, n: n1 x1M 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

" D7 q  @6 l  a* K  I  k5, Balance

. V$ h0 I8 @- g# D, S可以在程序里调用，知道每次运行结束后，balance还剩多少。
0 B2 g: c' x) T6 z, d8 D/ M参考：
https://api-docs.deepseek.com/api/get-user-balance

6, Models

目前就两个
# deepseek-chat
+ K- }" G5 n* I0 W8 o4 i+ g- F/ f# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models
" q' U  E. z- i/ R

7, 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。

8, 钱说了算。
1 X% _3 X) v+ c4 a, b8 j, F
6 a& Z  S* j& Q0 O; fdeepseek 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。
/ u! U( j. _) R8 [/ Cchatgpt也是这样的。