利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

3 F9 J# u$ @. s+ D把PDF上传，然后让他抓取文字，并修改可能的错误。
7 F* [5 C/ z; 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！
. i( X. T6 Y% s' _& _( H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！
$ H' s7 k% i9 M% i" V: }====
/ J/ c* m* Z# w4 Z/ @  ?5 z中文也很完美。
& L4 v' Q' d9 L" k% z经验值，每次十页比较稳定。
现在我这里API还不能用，等恢复了，全自动了。
====
* i, A" X& T* O. R4 K第二次疯掉了！
4 ?; |1 i, g3 i/ }; A/ k9 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。
2 X& f2 X- R! a2 i9 v! ~( t& Z====
" d5 k7 L, c" C, J- x9 Z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。
2 K, N4 I! @: W) E1 ^; Q* }好吧，我五体投地，继续探索。
! e% x8 c0 ~7 @( d8 H4 k====
+ G; K6 O$ U% q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。
" U& {4 D/ q3 M2 J% o+ m====
好吧，有些东西是不给翻译的，哈哈。
0 a5 K' Z0 ~+ M& ~+ h  F4 @/ W" h2 {
Sorry, that's beyond my current scope. Let’s talk about something else.
, g% o# S3 y7 `- ?6 x' M6 T7 N9 `====
然后我的英文命令也让deepseek 帮我修改，呵呵。
8 |1 W4 h( J6 ]2 R====
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。
====
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。
% b4 ?" k# }+ r4 @( G" @====
* L3 W# l0 l' g; |, H* ^4 f用千问吧，非常稳定，非常强大。
3 s* J5 _5 c# Hhttps://chat.qwenlm.ai/
====
, U2 ]" y& q8 ~! SDeepseek，API 看上去可用了，但是不给充钱。
8 u. h+ Y- Z' N/ x) z
. y" Y- \! f/ O' k9 K) I4 I

! m  {" U+ p# H, [  w2 u

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
& _" ?7 Y0 K* Y& B; b+ z+ v8 ~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
) d: X' ^" {! k6 C有没有上传整本书试试

0 Z* F. q+ ?# W# |% Y. ^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

( n8 B7 z# }3 O1 s- }6 l
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？
8 V0 a; b: e# y7 i5 K* V' Q- D
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
" T. Y3 J! V4 k1 T2 u/ V请教是如何实现的？
' V' G4 P& Z- O4 X" ?2 g" }) S
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 ...

; M, G) N) S% T1 n2 X+ Z. v0 k
' q3 C' ]% `; E1 r- d+ j. u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。

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 ...

( V1 c7 x3 W2 h% W  s7 Nhttps://chat.qwenlm.ai/
  G+ B' _' |% T9 l2 r- `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。
2 y) z8 `% w( ]. z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”。

$ w* x3 w. Y) Z# _6 t: ahttps://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
+ F! a: u. T* s" p2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
, x" z+ O- V5 E5 _% i% }3. pip install pdf-craft
2 ^+ m6 ~. }  H0 m; O; i( b- H4. 把下面的内容写到一个文件里，例如 a.py
, O+ V* {8 A  @1 x' ], I

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   . D/ b: ], z# k6 T$ |- g4 O
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   & ~+ [, F1 }% A# p1 X5 Q
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ' v/ _' T3 Z. e& k$ j
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   + O7 w0 p* U4 \& }$ }5 d6 p
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

. u! R: N& e" N( ^. U* s; L
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
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

5. 运行 python3 a.py

nanimarcus

- E$ H5 [3 g7 W( W1 Z# X; _
目前为止PDF转纯文字的最佳办法。
' X! L$ }3 a  @1 Z先写个小程序，把PDF按章节切成小的PDF。
3 w: d8 h! J0 K3 q0 j( {然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
  Z! E* S( i$ L( H( l/ l效果非常好。
1 Q5 A: ?8 Z: N% a+ B8 U
deepseek，qwen，chatgpt 三个，deepseek是最好的。
$ o/ Q+ C7 I! A
5 M. a' X  Q/ f, sdeepseek 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。
- Z/ n2 a2 `, W5 D) H' ?! ?- R$ z我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
+ F4 u% P/ w% ~7 n+ B
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

- r+ t5 \/ b6 r& P* I/ X
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 ...

* v9 w  t; f, v& [& Y9 C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。

0 b4 G$ i" D, Z0 Y! |6 ?7 u9 K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

% Y6 B  Z/ R  P, ^, v9 ~  |0 N
0 u* n! o7 v8 ^- a' ^0 I' U4 i已经搞定.
6 [% W2 y) ^# J+ M' d# X7 [
, y6 }9 o" U5 X首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
1 f5 s  A) d7 E' p* t
. `* D7 B( |! k, w( K7 q1, python + pypdf 按章节拆分小的PDF
1 C( s& W6 c5 N  I& V; K3 N
& W% p& \# }7 y8 E2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

4 v! n& e# [, _6 o' Q得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。

4 }4 A2 q! I6 P; f模型是 deepseek-chat
3 r0 l& S5 e0 `6 _' `( ]
max_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion

4，费用：
, H* j: _# ~) E, t5 A( e
& v- r+ _( C. |. e/ k$ v, K实测：
9 \4 ^. C% }) s) Y) w
296K 字母，用了 9 美分。
+ p% _  C& |* ~
3 B. b' v- Y, l: V/ t" Y: e英文字母 到 token 用量大约 1/3
. [: A" o* }- L
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

0 ~! h- t) _* R4 a; x( w价钱，非常非常便宜了。
0 A1 g3 o& ~4 t6 `! q" h* V
参考如下可以计算，懒得算了。
4 u& t9 [3 P+ t9 ]" o( ^
4 F: g3 Z* L; Y4 q: q: s% }  Qhttps://api-docs.deepseek.com/quick_start/pricing
# _# R) b3 C) I2 g8 O/ n: y7 X7 U
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
5 e+ h1 ^2 u. b8 l. c  k1M TOKENS OUTPUT(5)                                              $1.10                $2.19

. f4 t# j8 t* s% Q# `- }+ v5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
https://api-docs.deepseek.com/api/get-user-balance
& G# }0 _, R9 g; i1 E" H
6, Models

目前就两个
) @4 X, |+ w' b# t7 D+ v: h# deepseek-chat
2 @1 @5 w7 b; Q4 b5 ?2 K2 T% ?# deepseek-reasoner
9 L1 y( e: {2 z* l; D0 u
参考：
https://api-docs.deepseek.com/api/list-models

# {4 H) b% j9 q
7, 问题

! s, L( d2 x/ E; sdeepseek 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。
+ ~6 a2 ?1 W7 D1 e- G5 q2 Z
8, 钱说了算。
1 r2 v9 }3 o$ K1 b
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。
( M- O  g4 f1 P, n, w/ z. J0 j  y- e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。
7 ~6 {, d$ N7 `" y$ T9 `9 _" h
2 S; t4 ]9 F) \- S/ ~+ q7 Z* x