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。
4 t4 j- Q6 A! q- R3 P) S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。
8 Z* e5 O2 i) y8 d" |$ g4 P3 H我要疯掉了！
! Q/ u  N* |* I; d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！
====
  b. R6 k4 ^3 z' B中文也很完美。
经验值，每次十页比较稳定。
* F3 J. U$ a$ u) s# b7 ]: ?! F现在我这里API还不能用，等恢复了，全自动了。
9 I5 ^& u- G$ @) n! J, K# Z====
8 \0 U/ V; s5 g( Y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。
* l% i' I1 \1 _6 l  Q& _但是任务多了后，每次翻译的页面数是减少的。
- y7 `! ?( @$ a. j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。
$ R5 W6 c. H+ |4 G+ @$ f/ d====
好吧，有些东西是不给翻译的，哈哈。

Sorry, that's beyond my current scope. Let’s talk about something else.
) V2 `; L/ t# i" O/ e/ E2 t, w====
/ `# g' ~- L0 u. `8 g6 K1 t# {* c然后我的英文命令也让deepseek 帮我修改，呵呵。
====
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。
( L; |+ n8 J0 G====
" s$ u2 @$ Y( T7 _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。
! Y" e! `) A9 f& Y& r" G" w9 g# R9 E2 ~====
) K5 Q* I2 _+ t  F2 K用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
: t2 d) u& \! I====
/ v# \) I: W4 C2 I2 PDeepseek，API 看上去可用了，但是不给充钱。

: x* `3 u' b% a- j0 U

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

+ O! y. D. e3 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
有没有上传整本书试试

1 Z2 d& M& m5 m: `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

( E, c# |6 ]7 O6 k
以后让deepseek 读出土的竹简
1 e1 C( u. f* }3 B* z/ O% ^
还有把古文翻译成现代白话
$ U9 a5 W) {! V* G" e$ y8 ]
' J: P, ]- f3 {& _5 j5 d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？

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？

3 C; p6 E5 k/ c! {* C6 s) 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 ...

1 Q/ r5 Z. Q  f% T3 a4 P
) z- x4 u4 G0 p' I# d: ?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。
7 _; v( Z' |5 M$ O% t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。
& \* w( l' c$ T+ i# I2 h1 t

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 ...

* s- r1 m+ |) A9 ~: i- Yhttps://chat.qwenlm.ai/
2 I" T; O6 L% X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。
. a$ v* L9 H" S! B. O0 Q  n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。
8 h4 n7 Q8 i& \$ O4 C  _. j6 [9 q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”。
5 c; j* f# t2 J" {: m9 e
https://github.com/oomol-lab/pdf-craft
* @* S4 N' d  Y% R1 r+ u
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
2 f/ N: X" q# Z% {) D4. 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.   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. )
   & V8 d7 v# s3 \# R
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

+ T, O" V* S. j6 ?4 Q. F9 j' V
9 t! G( `0 r* ~2 ~( R. I- p要修改的内容：
8 W7 M) I& M1 h2 N) T# I1 ?- v4.1 /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
9 j! s( c: l( p) N: u/ L" S1 |& _4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

' T0 a& u0 [6 n( J# i- |
/ Q& ^% Q" @/ N2 g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。
' Y; l) k' R4 ]0 L( e7 ~$ _. X5 ~9 W7 d8 T然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
% c7 Y( `9 u6 N  n! o7 d$ ?
( A" ~) Z& N, Z5 ideepseek，qwen，chatgpt 三个，deepseek是最好的。
  o& e. O3 R' y
6 i" W1 X2 d0 a, C7 Y( o! Fdeepseek 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。
$ U) @- j8 ?2 G( R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。
# h: [; h9 H0 o9 Q
3 j7 ?0 \5 U# X+ T% Y$ Bdeepseek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
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
" Q: G& @# M1 G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

! n8 e1 j  h/ w# u" o4 I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

5 w3 {3 i. @- H5 [2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
" O& [- ~1 C/ U5 \$ E
得到text file
+ K, j9 R/ X6 H7 K  j
3, python 读取整个outputfile，丢给deepseek 矫正。
1 \6 U9 m, e8 ]% D6 l: e, j
模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。

参考：
2 E# h% O$ N# n4 zhttps://api-docs.deepseek.com/api/create-chat-completion

  Q' p! n: v9 t% q- K4，费用：

实测：

, Q" ^4 ?1 F6 [0 i" i) D0 E, d- M/ N296K 字母，用了 9 美分。
9 P, X6 F. o& d. e: c* g
英文字母 到 token 用量大约 1/3
4 X+ W) e8 M" ~! |- P. ~( @# _6 s
" e! R: k( o3 R$ b( Ptokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
3 H3 j: x2 O! N
32899 个字母花费 11782 tokens，包含输入输出的 tokens
, ~& ]6 y6 `# `9 P, j  E7 ]
价钱，非常非常便宜了。
5 S% o5 ]% W- D. M4 }  O
0 q, _- p: B, p. a  O参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
6 P% `7 i& h* }; W* Y
- p  c9 a7 _: D+ {! ?, P" L4 w0 M1M 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
) H% ^6 p  a4 g+ O
可以在程序里调用，知道每次运行结束后，balance还剩多少。
- w2 a5 q# U: C% \" o2 k0 C参考：
6 Z: ?, F5 @1 z3 m% mhttps://api-docs.deepseek.com/api/get-user-balance

6, Models

  ?: `2 x1 b; o5 I; }目前就两个
# deepseek-chat
% {, U: E" q7 F# deepseek-reasoner

参考：
1 h0 c6 \2 k4 `0 O" ~( J$ G" U9 Thttps://api-docs.deepseek.com/api/list-models


7, 问题
# W: X1 y- U( `" ~! \" I: O! w
' ^$ N$ W- u5 _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。
' R# m5 S8 u: ~) U. m
' l: H5 D  l" L2 t9 Mdeepseek 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。
$ S0 z0 r2 [; D1 c5 a) [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。

+ B/ Z" p0 Z! }" q% t
# N' o$ P5 b2 l! x1 A