利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

! `6 H* t9 I) v3 p. l- p把PDF上传，然后让他抓取文字，并修改可能的错误。
, m; K3 k: G5 b* m然后deepseek完美的完成了任务。
' K* z, k) a3 G9 W8 H$ f0 {" U6 w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！
====
中文也很完美。
经验值，每次十页比较稳定。
' q4 [1 l6 L) l" }现在我这里API还不能用，等恢复了，全自动了。
0 P/ d3 R& a0 Y====
8 p$ J; ^/ f& L) b' B$ V第二次疯掉了！
( y. |, R  O( `: M3 F# D4 f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。
但是任务多了后，每次翻译的页面数是减少的。
6 h+ u* {+ }  q4 r8 p, l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。
====
好吧，有些东西是不给翻译的，哈哈。

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。
5 x$ u/ k! w% e% O$ c( U, x====
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。
3 {3 M3 J1 r* {1 }5 M+ a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。
https://chat.qwenlm.ai/
====
( e. I# a- C$ d0 A' q4 E  ^Deepseek，API 看上去可用了，但是不给充钱。
2 L" @8 ~( L, e! C( F& \- f" H
: t, e7 W& C0 t' H. d7 I/ E
1 G: ~) [- `3 g- [$ j: F" G% I
1 }3 t' i% n  H5 Q8 }

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

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
3 {% |: x! h/ l/ A- k0 M% b1 Z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

+ k$ G4 \/ B2 G) Y
以后让deepseek 读出土的竹简

/ @: ?0 ?) U8 q2 S  H还有把古文翻译成现代白话

6 `6 D5 @9 {7 A) [5 Q: B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？
5 \" i! d4 b! @; H, l3 v7 J1 b
* ?7 J' g5 I0 I3 Q% }* 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？

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。
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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
9 w! Y% I% S; i) a5 N8 t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 ...

, ~* w; N( W, \' hhttps://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。
- ^  n9 g& L% ~) P很稳定，质量不错，好像最多一次处理15页。
: h* W: j  g& c. a$ A; [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。
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
& J1 k$ Q) d. x( V' ^
1. 这个工具要求装 python3.10
$ u# Q0 h9 y) A; L( Q2 B2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

6 |9 L& g; h) I

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   5 _) |3 w( k6 O3 A
2. 
   2 G* {* J. q8 v; Q5 n, D3 p
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   % H9 y1 _6 R% R7 u# {8 W
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   5 H8 g) J9 W2 w8 s0 N
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

* b) w+ K. h/ ~
, L* R( `, I" X7 u% Q- F5 Z8 W( ]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
! c& y" L6 L. V
5. 运行 python3 a.py

nanimarcus

- }1 Y: b' E$ q- z1 c; U0 G
& w6 ^9 H& _0 ?, `目前为止PDF转纯文字的最佳办法。
( r7 C1 X$ i6 U- {9 T2 L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。
效果非常好。

* O1 @: @5 N! |- Vdeepseek，qwen，chatgpt 三个，deepseek是最好的。
& l/ r% @7 ^' p4 f
( x2 B: N5 [# i0 A! n2 e( Ddeepseek 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。
' F( ~- W* U) s, l% H5 _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。
/ C' I# i# D. L+ F! t: O我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
+ _- ^: X& F* |
7 c1 S* N) h4 Y4 B  K' O6 CAPI到目前为止，差强人意，不如网页版本修得干净。
4 K; d' U) a5 z: D7 x, |6 p( d9 p8 A
$ O% f: i: C+ }; O$ ]deepseek可以同时开四个。
# r7 h7 ^& r% M3 h

三力思

0 l4 {! O  p( D7 n6 [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 ...

& n0 V8 Z$ J; k) E细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
3 _& F4 O# y" T! L% j3 r+ @# D2 j" G- Z细说一下，听上去很不错，多谢。

! \! u, M6 C  T. b! r9 h2 F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.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
: n1 w- a" k9 T
1, python + pypdf 按章节拆分小的PDF
: X3 n' j# `8 R) u& S
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
3 Y  c. U4 E( I6 H* t" Q
, k' F6 R7 k9 }" I1 r8 v得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
5 y. h' Z) t( p5 [5 w( i% S# J
3 G- P9 X$ m+ g/ o- }5 g1 S模型是 deepseek-chat
/ G' t' K# k: l4 b0 T
max_tokens 最大是 8192，别的不用改。
+ ]+ e1 m$ K/ z/ ]
参考：
https://api-docs.deepseek.com/api/create-chat-completion
- h; A2 M, a: I- `3 ^. p; L% m' t
2 W0 m) q3 C( l& t4，费用：

实测：

5 _6 F" T, y( V8 Q296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
5 ?, Y8 Z6 j4 \- w4 U
- G  h$ p6 ?5 w  V' D, i5 otokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

* D+ n$ E0 ^9 U4 }2 |32899 个字母花费 11782 tokens，包含输入输出的 tokens
! e+ H9 \& @( }, E' n
& D6 E' O+ [1 L  `价钱，非常非常便宜了。
& K) r3 q: P2 L
  G& T6 U+ h! G$ }! e; Z, e) z  b参考如下可以计算，懒得算了。

+ a  W% J' f+ e; _: j6 ]. g  C9 ~' Xhttps://api-docs.deepseek.com/quick_start/pricing
& y" ?. f9 k2 s8 f
8 j3 j! [8 a% |1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
9 o% v$ |; ?3 y) n- x% H" t1M TOKENS OUTPUT(5)                                              $1.10                $2.19
+ Y2 K1 z2 M/ m; N
5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
) A1 r: P0 k2 `% X9 n/ m参考：
$ `3 K7 [& T+ \0 {2 w6 thttps://api-docs.deepseek.com/api/get-user-balance

$ _* d( i* L6 K2 h6 V: c# e" T6, Models
  S  h. Z3 \) A. i6 }: z
) r/ _: i# A6 O9 a9 u& Z; t3 c9 I6 F目前就两个
% H& j4 q. i) G2 ]0 |# deepseek-chat
# deepseek-reasoner
2 v; ]. d, e: r$ a8 b
5 Z% B2 R5 h5 z; f9 k; {参考：
' c8 D2 l8 d, m/ phttps://api-docs.deepseek.com/api/list-models
- A: j# U9 G8 F% I1 u
% b$ G: j! z2 O* P, q
7, 问题

" {; I+ q, n$ w5 W3 wdeepseek 会将前后两段合成一段。
% F# i1 n, F6 o" f. l. Z3 m特别是那种大量的对话的段落，deepseek会给你合成一大段。
8 k) ^$ ]% B8 e" }& J! k! k9 E
8, 钱说了算。

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。
) o# `9 G9 s8 z7 m但是API就不会出现这种情况，毕竟我们给钱了。
: C# H; q! [3 {4 x0 @chatgpt也是这样的。