利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

3 ]  s+ W# {; F! V( }, _
把PDF上传，然后让他抓取文字，并修改可能的错误。
! u. q9 p6 M$ J8 i3 l3 J8 Z然后deepseek完美的完成了任务。
& J. a, T3 i9 J4 z段落清楚，列清楚，页眉页脚全部去掉。
! \* U4 f; k  B" k/ t# w" G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！
====
# }3 \$ Y* C7 u7 \. ~中文也很完美。
# m3 [- L, q! v经验值，每次十页比较稳定。
9 H' Z  e. O; j7 K5 t( J9 l& c. d现在我这里API还不能用，等恢复了，全自动了。
====
3 V  }* I3 N8 X; G' Q# Q7 I. a3 u, [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。
====
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。
- G* x$ [/ G& Q  ^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。
  B% `! w9 Y+ r* c====
3 m: F# _& S3 u$ [6 _- O/ u5 }- i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。
" ?  t& F1 x5 n) b6 y: c+ b# v2 p7 X( a
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。
, g1 {* D( o8 U1 w( M6 v* N0 R/ T====
) U  P! o8 n2 Z7 E! H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。
/ }- M  e0 D* ?# S5 n. K====
用千问吧，非常稳定，非常强大。
3 Y$ K) ?- |3 m; o6 q( lhttps://chat.qwenlm.ai/
3 U1 s, r" D! m5 L( F& l====
' m. v% [) F8 I" KDeepseek，API 看上去可用了，但是不给充钱。


6 [! u9 |4 ^) _* H; k6 h

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
1 ~- C. X& q- f3 _这功能很赞呀

$ g/ {4 [8 X7 j' E- X  j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

* O: o& Z! Z2 Z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

: p$ [1 h8 m$ S5 F" O8 ~9 ?. k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？
$ E/ {) X( F0 z+ ~$ l) v: Y6 U% \7 K
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
# Y* z5 i6 ]- v8 g# H3 e请教是如何实现的？

6 Y4 h) y9 O2 b7 t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 ...

$ }+ P6 E. W( o* p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。
8 e* g! D# M: L* c( X! C) ~4 f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。
2 _0 [. f. r- R4 U% b

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
" G# k. f9 f9 f! W7 x3 Z$ z9 `4 G1 F
+ z( W, @5 j9 G1 p& B8 h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/
% U5 a  j$ H) k) G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。
# Q; w3 ]" l; w* k# \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。
( d# _2 B3 S6 \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。
+ _9 [* t$ ?! O( F8 {6 i# ]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”。

) q( K/ Z) `/ m& Ahttps://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
7 Q, Q. N$ _/ {0 O9 m1 e1 \2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3 b& E; d) b  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(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ) i1 {/ L( v/ K7 g0 O; p
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   5 {: v+ T6 h7 l( S# E
6. )
   . G: F& _5 A4 _8 V
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   6 o! Q( s) D6 t- V3 Z; u9 w
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

5 N6 k& o: s; [* E$ ?5 r, O
# w* }* C" y% Y# O/ f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
2 P. B0 ?) S4 f; \/ R4.3 /path/to/pdf/file: 输入的源PDF路径文件名
! I5 ?5 w7 X$ n7 r7 F1 B
" `: [- ?  l; [, U* h1 D5. 运行 python3 a.py

nanimarcus

' x3 K) b  H0 k3 M4 z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。
0 u* \4 [* s1 S8 R然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
+ M" d+ d- v9 W' R# z) u# S效果非常好。

5 a" j. S: ~) s. a. B% U7 Odeepseek，qwen，chatgpt 三个，deepseek是最好的。
; U! H. z* [2 z% g
# `7 a# ]! m  S8 B; fdeepseek 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。
6 u1 T+ j# r. N$ K0 F3 J! u7 S- _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。
6 h. D' K% C% b& T* b& e0 H  ]; a我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
  H/ }0 c6 e1 t
$ K( k& c/ b' L  a  a2 a/ G0 p& E8 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

% H- W2 W+ U* a! E
4 a* x. q! m3 S9 o! k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
' q+ L9 b4 D2 x( F( v3 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 ...

细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
+ i$ S; d8 q5 ^+ Y; d/ c/ l8 W# J' p细说一下，听上去很不错，多谢。

3 R- O% }; o* }3 I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

已经搞定.
5 u+ Z, ^/ s9 w( y/ L3 E# Z* P: F2 C
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
2 ?; [, v6 d2 R, {% q
1, python + pypdf 按章节拆分小的PDF
  J( F: k- J0 _1 G
7 g; C- F* B  q2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
% A9 y! D3 s  ~8 u1 V5 C1 e
得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
5 T6 p( v6 A( P. M* K' s3 v2 q
* C4 n$ L- T' L1 Q模型是 deepseek-chat
3 ?$ _8 p4 D& E0 }* A
max_tokens 最大是 8192，别的不用改。

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

0 t8 s1 {* J7 ]; y: n) i* U& i' T8 K4，费用：
. e4 U. W3 i7 J1 {; |
实测：

  L, p" K. F! j% m3 _+ C, d7 l1 ]296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
% {! u: K2 L* }  X0 _
2 g' Q" b% w, B" y2 [1 ]3 }8 X$ f* mtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
7 V; J  |2 O3 _' o+ h2 p& \
32899 个字母花费 11782 tokens，包含输入输出的 tokens
: D. r, i9 o6 ?% P. T' M* d
价钱，非常非常便宜了。

参考如下可以计算，懒得算了。

( z; u  p- `2 K* t" R& bhttps://api-docs.deepseek.com/quick_start/pricing
2 }, h6 g- W9 Q+ J" z
( x- L# _5 j6 x. o1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
4 m9 q+ O% l# S4 w  m8 W/ b# J1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
1 f2 ]5 [% n. O5 I1 V% S
: D) G, T% M' p9 j5, Balance
) h6 S6 Z2 R! o) j" ]8 x+ P
( v7 b+ K: q6 p+ }6 ~; B3 S: v可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
+ a8 V) R+ W. q7 {6 R, D, }3 c( z$ Chttps://api-docs.deepseek.com/api/get-user-balance
4 W( a( \6 N" C  P3 Q! S
6, Models
/ h, v# B6 x' T# E0 k& W7 h
目前就两个
# deepseek-chat
% t9 C/ s" i1 I# deepseek-reasoner

参考：
5 }, D2 H! L4 V4 I! Fhttps://api-docs.deepseek.com/api/list-models

" `2 ?7 g/ g) m$ `4 e
3 A& w$ E  L  i' t1 h! n3 }/ n$ f7, 问题
" C% l! n' {! @: b  ^* X, z6 ]$ ^  v
deepseek 会将前后两段合成一段。
5 y2 I( J) y9 T  ~- t特别是那种大量的对话的段落，deepseek会给你合成一大段。
& E) m& ]& ^* B; W* l2 f2 c
8, 钱说了算。
; I& M  s1 W9 y
, I" |' E$ t. ^0 L: |+ ideepseek 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。
8 a% z  W/ q4 Ochatgpt也是这样的。
$ A9 y. P$ Z3 ]* N/ K" Z. i( }+ _