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。
: Y5 z& t+ {! |6 H; M: q$ R$ [7 N然后deepseek完美的完成了任务。
# M6 B& r2 D5 t- z: C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！
====
/ {$ a' O! N) w- N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。
====
. w; g1 v" D- ^) ]0 o第二次疯掉了！
$ t' k1 H$ V1 h! b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。
) l5 j0 @0 k! u1 k; X# [====
: d% U, K8 _3 n9 b0 c1 `7 V/ p9 t- |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。
" s% @/ m" r( B; m但是任务多了后，每次翻译的页面数是减少的。
. u" `& M$ c1 l好吧，我五体投地，继续探索。
====
* u' ]$ t1 V: O+ `, Q: Y' u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 O/ B; [* g' e+ C0 Q% |4 z: P====
好吧，有些东西是不给翻译的，哈哈。
5 ~* y0 I7 u5 M, F' ^" h% u
& i( I. K* x3 [9 p" OSorry, 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。
====
" a4 g9 P9 y3 `) W: i1 @$ o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。
( y- b3 f8 T1 y====
9 t, @- a/ ]2 F3 X5 K+ B# E1 [% R5 j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。
: \6 ^( n" G2 v4 y====
+ f# A% o5 L4 I! W+ N) V. Y# v用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
8 y1 m" d. E# V2 o4 F# Y" w+ C====
Deepseek，API 看上去可用了，但是不给充钱。
# A" h: ]& [6 p) V2 ?

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
( X  m0 }6 i7 z7 k" o* ^! q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
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

/ J! h* @; i0 d: ^* S) v
以后让deepseek 读出土的竹简
! ~( a5 T& l% `/ t$ e1 b3 O
还有把古文翻译成现代白话

! ]( ]2 r" n' A2 i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？
! D  _9 R3 d/ n! w: f0 v7 |' b
7 q: q. c  S6 _9 G+ \" O- 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？

! t6 f* ^. }" m3 F% J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 ...

, O0 X, T6 j; e5 m& o8 O5 l$ K# G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。
3 g) B- d2 x  q1 r& c

nanimarcus

方恨少 发表于 2025-2-3 01:23
, ]. N0 l$ A; i9 Z请教是如何实现的？
5 K: b4 D" a% \. C- c! ]
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 ...

# V( E; X# I1 r, ?https://chat.qwenlm.ai/
! r5 I- t) u. ^7 H0 S6 E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。
4 I6 j& z( e' v6 `/ t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。
! S$ W/ D4 T. w  I! ?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。
+ Z/ C% _" F" A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”。

7 G& ^$ T+ n9 _" ~https://github.com/oomol-lab/pdf-craft
: I: N+ }4 S  m' [/ \! x
4 {- d/ ]; W/ O2 S  r1. 这个工具要求装 python3.10
* M6 g3 M! v4 d, W2 |! [% I, {2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
' a" j! _7 d* I+ c' p3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
& |( z* i9 @- D3 E
/ t3 _7 e+ g: A* F; `- K' s0 a

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.
   % m) m9 ?( c6 B7 n
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ! l8 ?3 [* D; g; v; Q' Z  G
6. )
   + G. I+ x2 Y( C8 [
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

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

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。
然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
- }; a% Q! a8 }3 K* U, A1 h效果非常好。
: x$ H3 ?) Q  G6 I1 X) l
/ Y2 s. U6 [/ H! N2 qdeepseek，qwen，chatgpt 三个，deepseek是最好的。

7 H9 m& n7 U' e9 i, G3 E2 u, Zdeepseek 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。
9 l! _' i6 Z8 ^; j- y" R! o
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

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
% k# f1 V" f& v7 [7 O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 ...

. D9 R, `7 K6 y& H. T0 h" N细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
$ b8 b& Q# c# j2 ~4 v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

( z; k) @: K" T# F( w2 ?1 S
" V9 T/ W  d$ Q0 y/ D. Q已经搞定.
$ w" d0 Y0 S1 O$ P6 \3 j
8 U0 E; i5 L- |% G首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

( i  M3 l$ M% o* I/ F3 j- R1, python + pypdf 按章节拆分小的PDF

0 Z* q9 }# W! }% l# }7 w- }2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
1 c8 H4 t: e) a# A5 l
' o  n$ I. Y) l$ b得到text file

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

模型是 deepseek-chat
* t: T6 s/ C) I* E
max_tokens 最大是 8192，别的不用改。

; F- x. W  I4 [) b参考：
: |# W, K/ C" Z5 [- f8 r0 |5 }https://api-docs.deepseek.com/api/create-chat-completion

4，费用：

实测：

: y5 ?* u% r( d+ T: k! i4 b296K 字母，用了 9 美分。

6 G1 f0 Q$ @$ V1 B英文字母 到 token 用量大约 1/3

- |# y4 B6 I3 {' a  o3 utokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
9 E0 ]: i: x3 u/ C5 T: Q" [( r% m
32899 个字母花费 11782 tokens，包含输入输出的 tokens
0 C0 t5 {; b1 W% ]  d
7 ~, S9 J& b4 k0 m8 X6 n6 x价钱，非常非常便宜了。
. m8 n+ b4 n$ S0 A! `- A
参考如下可以计算，懒得算了。
$ h' c" E- B8 l# H0 ?5 F! g2 g
3 t' l, \" y; f5 k4 {https://api-docs.deepseek.com/quick_start/pricing
. q% t8 M6 F; E" l1 d
3 a! p& u8 k8 i" M, T1M 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
: g) _- S, D9 L. G
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
2 V; D& K& X3 o6 _
6, Models
, i2 J; F( X/ G2 l. }" X
目前就两个
) g& _/ z! ~% a; U) Y0 k  S# deepseek-chat
2 i, Z0 x5 {3 r: e* l' r# deepseek-reasoner

; b3 K& [3 v! |) _7 X3 ], n参考：
https://api-docs.deepseek.com/api/list-models
: c5 ^! }% ]: j! k
0 X: ?  K$ _' H, L
# O" O/ G; W! Z/ e7, 问题

$ e- V) F/ Z5 Mdeepseek 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。

7 {2 Q! n1 R* [8, 钱说了算。
) r# g, R* L8 v, q
) t1 c& b& v. o0 [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。

' L6 ]: \' a: {$ Y3 X
9 z* B  K* E) R0 c+ P) i: t