利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

  a# \  m3 |8 Y5 e5 S
# U7 p' u( V8 u  p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。
$ E2 w4 {' i$ s" M段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
6 {+ ?4 B0 t( N, s) B% c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！
0 O$ b6 W" Z' J$ N====
中文也很完美。
经验值，每次十页比较稳定。
1 J1 C& _6 ]8 e  n现在我这里API还不能用，等恢复了，全自动了。
====
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。
+ |# V5 u+ v" Q8 [" {1 K. r2 j5 O====
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。
/ f6 ~' o+ @' W$ z( C但是任务多了后，每次翻译的页面数是减少的。
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。
! @) R1 U$ G5 ^% P" ]. C8 U3 \====
' Q2 D& E) @: a0 _, A7 s好吧，有些东西是不给翻译的，哈哈。
4 B! O* B3 r" x$ Z5 N* M
7 r7 W: I6 B" |3 c- ^Sorry, that's beyond my current scope. Let’s talk about something else.
====
! {& L$ A6 Z4 ]然后我的英文命令也让deepseek 帮我修改，呵呵。
1 z# r0 O0 N# O0 B/ _====
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。
3 G% J9 S5 |! C+ a) _====
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。
====
用千问吧，非常稳定，非常强大。
1 l) P) p2 [3 y$ q: Ahttps://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。
; N0 }. h6 q( m8 F7 `, X( b4 U
' B" g/ W" x1 y$ G& c0 E& V

2 H% X+ B  u3 O2 X- i, K" l

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
- X$ B3 @) f: s% C+ h  m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
  \+ t6 d2 _5 j1 }有没有上传整本书试试

3 d$ q; ^- \: V3 v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

以后让deepseek 读出土的竹简
0 [7 K/ H1 a$ ~( C. W6 w7 E* @
4 Z; {2 n$ H$ [( ]6 z还有把古文翻译成现代白话

3 ~$ f% Q0 t3 Y8 C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？

9 U% @2 l+ ~3 k$ c5 `8 e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？
  }" Z- c' l1 F# B7 g" Y
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 ...

4 `" m) t$ z2 ^' E& Y" i
8 m7 w/ U8 ?; y. F: V& ^3 A0 ]& _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。
( w4 m! ~- x% R! R8 z* B: }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
4 P! i. }! W/ h! ^- K$ K请教是如何实现的？
# _/ v$ o0 t2 z" n/ I& 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/
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。
5 P- Z$ U- _' l8 ~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。
+ S" S9 d' u4 R7 L) D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”。

8 k" O% r: {) o' M. x7 D# Q8 thttps://github.com/oomol-lab/pdf-craft

- Z$ t6 q; w+ F6 h6 S* y1. 这个工具要求装 python3.10
) w5 ^  C# D- }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
+ Z7 h. U- |. H$ ~- C( o+ N1 z4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   " g, Y0 b, n& C! I
2. 
   0 z, K7 X- d3 n3 X+ B
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   & B0 c4 H! Q  l
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ; Y" ]4 T7 Q: c: I5 j5 n
6. )
   ! U& r- d& ^  C% O1 d* S
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   * k8 y/ Z! e3 h! |
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
+ n/ Q% @. G# n% p6 k4.2 markdown_path：输出的 markdown 路径文件名
! [, Q- s& [) A% K3 y4.3 /path/to/pdf/file: 输入的源PDF路径文件名
6 y: _! L0 l5 f) |# X  q8 P
' P, |7 s% S- e6 l! S5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
" g+ r  U1 N% X先写个小程序，把PDF按章节切成小的PDF。
; M6 Y$ _' c- |; u# J然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
4 Z3 G4 P7 J5 O% S效果非常好。
; l% d8 M  I/ T! @
deepseek，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。
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。

/ J$ b5 d( q4 X1 E7 p- aAPI到目前为止，差强人意，不如网页版本修得干净。
# I% g+ g- f$ Z- J' {1 b
! y( I4 ^  A/ b: T9 L  ]deepseek可以同时开四个。
5 h. m1 M" N7 v

三力思

) G3 M& ?& d& h. Q) h
$ R6 V0 o% n. A* k5 Y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
细说一下，听上去很不错，多谢。

* f- f2 B8 B7 q2 D! P" O# x7 M+ M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

  L+ _9 P! l4 j/ [% w3 _7 _. Z: F
/ J, k: i: e3 G1 y9 u* Q已经搞定.
2 v/ H7 b2 m3 t  ~- @, ]
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

9 C% C5 T6 W) E, l* {1, python + pypdf 按章节拆分小的PDF
# [0 F; o% t! ^( ^+ U$ Q/ d
* P) @" Q+ d/ {7 n6 j) R" l1 h2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

1 Y* n8 s* ^+ j7 a  v/ X. u3 S得到text file

* Q1 Y& N$ A4 L$ \2 e9 k! H3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

' @1 X8 W+ b- t+ Lmax_tokens 最大是 8192，别的不用改。
! [$ H  _  E  D: p% T+ F
参考：
https://api-docs.deepseek.com/api/create-chat-completion
1 y8 L% J8 V# C4 r0 Z+ R" U! Z
' S* l. c$ p$ L/ _$ Q; |- I4，费用：
, K1 R0 p2 |0 R& X8 t
  |6 H" D" A- h- Y实测：
: a+ s+ I* E& e1 e
296K 字母，用了 9 美分。
! y5 }# d0 d4 }: _' b- F& U! H; b) `
英文字母 到 token 用量大约 1/3

% o9 k  l4 S" N  t# M% Btokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
9 I5 O6 L6 E. }
32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。
$ m, Y1 [. |8 m8 x5 b6 j/ s/ C( V
+ V# b8 l% E9 G" P  y8 c参考如下可以计算，懒得算了。
1 O4 A8 M4 C$ Q) K
https://api-docs.deepseek.com/quick_start/pricing
: d4 R6 D5 N5 V; A3 b+ q# {- [
1 h# Z8 F! u1 n2 _1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
/ x4 E* m! h6 V3 Y9 d$ e6 @1M TOKENS OUTPUT(5)                                              $1.10                $2.19
2 Y  i0 P, i0 G7 z* {. T
5, Balance
* ?. Q- N' J& n0 Y
& ?7 L; x# O7 Y' r' B) w, q5 G5 x可以在程序里调用，知道每次运行结束后，balance还剩多少。
6 s" ~9 ]' D( P: s1 g4 X参考：
https://api-docs.deepseek.com/api/get-user-balance
+ z: v- [1 K6 a9 w
6, Models

目前就两个
: h- J! @8 }  y4 F# deepseek-chat
# deepseek-reasoner
4 k, N/ h- A9 [1 u/ f4 h
9 j  T% E4 q# b4 m, H$ @! Z  ~( F8 W参考：
3 f5 `1 g* l0 U# Z/ f+ _8 q  fhttps://api-docs.deepseek.com/api/list-models

0 u0 R8 g4 H  U0 p4 N9 a
% G) g) ^$ K9 q7, 问题
9 J: Z1 B$ U1 C1 M
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。
* G3 W1 b4 A4 e7 h+ L" R
1 F: }- u$ }" x" I; wdeepseek 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。
* L% Y2 z$ P5 O& V7 S  p$ u但是API就不会出现这种情况，毕竟我们给钱了。
/ o1 z/ n6 a! [5 ], T2 F/ schatgpt也是这样的。
8 r% m7 G! z- n! t

+ t' L; @! r2 g* E1 h, k