利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

, T6 l, O+ g+ v; j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。
% {- _# r( z- Q/ F( t2 S# h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。
% o& f* k+ C0 e; [" l& t经验值，每次十页比较稳定。
4 L- w: T3 Z1 l' i/ D现在我这里API还不能用，等恢复了，全自动了。
& ]: A: o, x8 G: {& O====
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。
====
7 z" v2 E, e# X6 E" M. Z0 S. {) H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。
$ [3 z# k2 N$ L但是任务多了后，每次翻译的页面数是减少的。
) j1 Z1 F4 `9 Q5 D, J8 j7 ^" p/ ?好吧，我五体投地，继续探索。
  F5 P( _! A$ j- j- V; 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。
====
好吧，有些东西是不给翻译的，哈哈。
0 X1 s, _# x& F  p
- m% D/ W2 k( U' _( r! Q; M& ~Sorry, that's beyond my current scope. Let’s talk about something else.
====
0 b' i/ E! W$ \! s. i然后我的英文命令也让deepseek 帮我修改，呵呵。
! V: B7 O0 Y, J+ A$ |. R9 c( [====
& Z6 E. m" z+ 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。
+ {6 t: q' d( k' A0 o' X后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
- C: r: m& {$ a9 w用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。
; [7 ?- o8 v3 L8 \3 d( g$ s

' `/ n( t% ?( [; E

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
6 z# a/ e* J+ M7 R这功能很赞呀

% W3 H8 a( c3 T1 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
0 v; ]/ h/ F/ M( L1 i8 H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

2 g' O' p4 r; a% P( H# ?
7 L9 C+ \7 Y; P* L. M2 H5 f以后让deepseek 读出土的竹简

还有把古文翻译成现代白话
6 U( Z, w& {9 Q/ a8 j% T$ G& g
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？
$ u, p4 |1 R$ C5 k4 m! l
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
5 p, ?5 c5 Q/ D. ~8 U$ `' ?( q' o( |! Y请教是如何实现的？
" B  _% T/ e: l- N9 X) }
2 W) x! h) 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 ...

! V: w: @5 x1 [% Y8 ]3 ^
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。
$ e6 @1 Z$ C: A) T& ~% l/ @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。
4 C0 r3 D7 K0 Z

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

' ]( [3 _8 q& D' b5 \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 ...

9 L' I8 o7 m' s: H+ ]4 bhttps://chat.qwenlm.ai/
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。
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。
9 M) P( `7 p0 q/ k" {. T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”。

https://github.com/oomol-lab/pdf-craft

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
. _) y1 }) `4 L  q0 Z3. pip install pdf-craft
4. 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(
   7 w- p; J8 M1 ~1 m" G* p+ z* R  D
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. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   . a4 _3 q% O; o1 E5 ^
9.     md.write(block)

复制代码

9 K/ ]( W  |; |4 w2 Q
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
  X, L0 L# b$ ^' W) H( o! a
5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
# O7 Z. w; S) h7 {* @8 C3 S先写个小程序，把PDF按章节切成小的PDF。
' Y$ x2 I5 p3 ?' Z) V( P" M( Z然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

: e9 z2 w" t0 m8 F) y; D( w0 rdeepseek，qwen，chatgpt 三个，deepseek是最好的。

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。
% e5 v+ q& [0 a7 I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。
3 ]. r6 j& I3 T+ y1 w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。

6 p* w! ?$ t0 \deepseek可以同时开四个。

三力思

) C  X4 x6 p! g' J8 C! ]( y! E
+ h6 Q+ V( t" D8 c" q2 a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
' q8 t0 M. P; R+ }+ 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 ...

细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
# m% K8 R' K! ^# S4 W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

7 P) C9 r1 k" r5 I0 E# X
已经搞定.

7 |' q- F  v- N, [: O2 s首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

2 K( T( t& V: J  ^' N- b1 C1, python + pypdf 按章节拆分小的PDF

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

得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
- I1 m* H; R: o8 ]
# q$ `& r, Z% \2 [- g" t  h# b模型是 deepseek-chat
4 C7 u8 {3 U$ l$ S
% A/ ^. H  ?5 Jmax_tokens 最大是 8192，别的不用改。

- W4 J7 e# f/ H: d, K7 u2 Y- J+ t* K参考：
https://api-docs.deepseek.com/api/create-chat-completion
+ V5 f' S) v3 s$ [' ?. o
4，费用：

实测：
8 J9 d! d; v" g4 F2 A+ a
296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
, ^5 U! i6 [, a0 w" k4 o
, @( m- w. B" |0 G- c32899 个字母花费 11782 tokens，包含输入输出的 tokens
% F* E) c. ]& f+ L
价钱，非常非常便宜了。

* j# i1 O7 H7 K7 O参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
; ~) W5 b$ A7 A3 g: U/ ?- ]1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance

) x2 z# s1 o6 X0 ?/ p; Q6 i1 k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
3 Z$ E0 O  q. t# b# x
6, Models

目前就两个
9 U' T9 E( V/ _3 j  ~; X( ~$ @9 I  n# deepseek-chat
- t& S( ^4 Q, J$ p+ Y2 K# deepseek-reasoner

参考：
$ C- A0 r& g7 [% F. xhttps://api-docs.deepseek.com/api/list-models


7, 问题

deepseek 会将前后两段合成一段。
) B; E1 Z( _, m0 D4 S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。

; ]" N4 v& x# m% `5 ndeepseek 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。
( s. {# C" t2 F9 M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。