利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

" H/ Z- S$ }: S& `把PDF上传，然后让他抓取文字，并修改可能的错误。
% B' j% E3 h5 b# @2 h然后deepseek完美的完成了任务。
( M5 C$ w/ V  c. q5 ?段落清楚，列清楚，页眉页脚全部去掉。
% }% g2 X7 r& H* a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！
====
中文也很完美。
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。
* T; ~0 d/ n, G====
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。
====
8 p& L$ c7 `$ H5 c5 }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。
# k6 z' s8 Q9 d% Y8 ~$ N0 a但是任务多了后，每次翻译的页面数是减少的。
1 z5 O' f9 r  D6 J! P2 a好吧，我五体投地，继续探索。
====
2 u: {9 |, @  ^6 [* w( [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。
0 q  @) I6 C# n& v) K3 J1 w====
+ k  t9 E! L5 K# W) |* W7 s5 I好吧，有些东西是不给翻译的，哈哈。
" w. q  S; O5 r  G7 T5 M; Q% y: b
Sorry, that's beyond my current scope. Let’s talk about something else.
====
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。
====
- b$ M4 n$ D# g" T% E# ~/ K; 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。
$ _4 H6 k+ C! n2 f4 {====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
5 ^  _9 [. B. S" A7 P# E====
0 o% P* L3 c3 g2 ZDeepseek，API 看上去可用了，但是不给充钱。

+ u) F+ @1 C* p/ x
/ w7 `$ ^9 d5 P' f* n
+ }8 S: d5 b# ?2 J

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

* q% b" u6 L6 \; s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

. }3 ?  m( q6 y! m5 |; Z, |
, V! s6 Z0 o* v" m3 e3 Q% ^/ t6 W以后让deepseek 读出土的竹简
0 z) o/ U7 m! A: }0 v  c% ?! Z
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？

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？

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 ...

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。
& ?1 x$ ~0 F# Z  {文字之类的没问题。估计deepseek现在暂时只保证主要功能。
  S/ a# f" j1 [1 ]' {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？
) u4 u8 `! c  X
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/
" q6 @3 i* Y1 Q  k+ \7 ]4 H3 u# C1 O% h$ u试一下千问，估计美国人没有攻击他，所以资源敞开用。
, c4 n' D+ Q- T, ^3 h1 W很稳定，质量不错，好像最多一次处理15页。
8 \" J+ w- t& m  @3 ^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。
3 E! A" p. W! r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。
7 g4 u& [2 y0 ~4 T% t% t) o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

1 D5 K* _5 m! M8 a1 E5 ~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
  i, }3 F7 e4 I( J& s4. 把下面的内容写到一个文件里，例如 a.py

' F9 R3 u1 |. n. D

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   2 L) j: n7 X. m4 [' q
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 O% Q6 c" \$ c6 {: `8 k/ x4 e
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ! u, U% ]! \- B/ `. w4 ^0 s+ h
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   ! k' g5 B/ P- y; F! Q& @4 W
9.     md.write(block)

复制代码

$ p1 k: x/ l5 Y  _3 a. ?# N
. V' p1 C) N2 J* Q1 A要修改的内容：
& Z) X) f9 c0 z3 Y2 K4.1 /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
' E" D4 J$ K. T* T4.2 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

1 P$ B/ `+ J1 e6 U1 J& M* n
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。
' F+ A% R: P* ?: ?( @1 C6 r然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
* g" `% @" X- e8 z' B
deepseek，qwen，chatgpt 三个，deepseek是最好的。
, x. @  c: E4 r+ o# k! @2 @  u  I
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。
8 P8 u+ a2 b2 c! J; z6 q% W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 p3 j( n7 s0 O1 ~
6 ]4 V9 ~" M  n8 `API到目前为止，差强人意，不如网页版本修得干净。

9 K6 v+ b1 j8 p, tdeepseek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
: `* e0 z' A8 n/ C" D细说一下，听上去很不错，多谢。

- O4 q3 }/ I$ e9 e0 e% Q2 m* B  J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* |8 _. ]- B4 m1 i/ `; p8 s) a已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

/ d7 B2 J- v! ^1, python + pypdf 按章节拆分小的PDF

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

6 b* \3 A7 l( H$ L) k: G& S8 ]得到text file

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

模型是 deepseek-chat
2 t" i8 [* X0 i7 q
max_tokens 最大是 8192，别的不用改。
# ~3 x: ~/ k' `* y( p& {' |4 X
参考：
https://api-docs.deepseek.com/api/create-chat-completion
) V" @: x1 s1 W7 V0 P
' z' |8 O3 ]1 `) ~" z4，费用：
( ^+ `  w% E5 _$ N$ ]
* J: E. O/ x2 |  b) k实测：

296K 字母，用了 9 美分。
" T) i& ]4 f+ Z, A- g! x" j; w
! K4 H5 e( F% n3 u. t' a9 a英文字母 到 token 用量大约 1/3
: T, j2 J; ]' w' q  E+ c
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
( T. x0 M1 F; u$ W" G
32899 个字母花费 11782 tokens，包含输入输出的 tokens
  u- M0 e' Z0 a6 A
价钱，非常非常便宜了。

9 f# b- f) X  q4 v6 B参考如下可以计算，懒得算了。
) D" o; t) u! O! F
% [. U/ L: g1 _https://api-docs.deepseek.com/quick_start/pricing
( c1 P" ?1 X& D* W# N3 G
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
% @' `8 a' T( c1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
# A& M. e9 |$ [3 m
5, Balance
9 N/ i' v! t* f' ~
8 V3 }$ J2 ^& A+ t6 D2 A. f! U可以在程序里调用，知道每次运行结束后，balance还剩多少。
. |  _& g( S- P参考：
3 ?# i) ]0 d% j' n5 C2 O0 L/ n8 V0 yhttps://api-docs.deepseek.com/api/get-user-balance
9 p2 C) v5 f) [5 K  @# A1 o5 }
2 H2 ^9 A0 X, }7 r; I% k# S6, Models
+ |+ {! {+ W1 n+ V2 }5 y
目前就两个
" L5 }( P% l  `7 V2 z# deepseek-chat
, \% `; B& w9 O( U5 U6 Y$ c; H2 R$ M# deepseek-reasoner

参考：
' W, k# d3 T1 Z% Uhttps://api-docs.deepseek.com/api/list-models

+ W  z( ?( p  g0 N
7, 问题
. A, t, n4 v; B6 E/ t
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。
5 F: r3 l% J. n) D6 O, D9 _# Z! x0 s
* t  h! H$ k8 ^, q  Y3 L8, 钱说了算。

$ j) |6 ~7 b$ D8 F$ a, Qdeepseek 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。
& J! U9 {3 R* {; ]但是API就不会出现这种情况，毕竟我们给钱了。
1 p  v( h& N& m3 H9 A0 ^0 ichatgpt也是这样的。

1 M8 p8 {6 b( B$ i% b/ l