利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

- Y4 A4 M3 y. ]
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。
我要疯掉了！
( v+ a" i/ Q* x$ `. T7 H# n3 P! |9 Y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 ]' b& M, n5 F- m% K5 a! `2 S' S) u====
) h$ w' k# j6 f4 ^$ s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。
6 S: ~( ~1 t3 V7 V" `5 S====
' f- _" {) {' ^8 y! L; z, b- d7 K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。
====
1 f% _( T2 ]7 n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。
好吧，我五体投地，继续探索。
7 J, ?6 F* B$ R) M/ L8 ^====
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。
, K7 h6 N$ a$ t& b# A! k
Sorry, that's beyond my current scope. Let’s talk about something else.
7 a# G. s9 }/ \" Y0 o, B4 l====
然后我的英文命令也让deepseek 帮我修改，呵呵。
9 S/ z. q- z/ b% ^: \====
7 |" p: \- B( q7 \/ `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。
1 K' Q% \' G, c4 S- Z====
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。
====
/ N# D/ n! G* w; z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。

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
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

5 M2 N1 ?  U5 ~0 I: G
. O' `: U0 m, g/ E以后让deepseek 读出土的竹简
4 y& s: `" A0 S$ b5 a' U
还有把古文翻译成现代白话

5 k0 s$ b7 U1 X6 F- l$ D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 V: f; @. T9 F3 u
( W4 }1 E" [! w% 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，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
3 Z8 }9 J5 W4 ]1 U, a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 ...

0 m) k( m( z, m* q
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
& V7 ]* Y# j" T2 @# r/ I: Y" v请教是如何实现的？

  |1 u1 i4 V+ s2 l! N7 j( _9 M/ 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 ...

! W6 T& R: e: k* J" C( i3 v/ W+ C0 Thttps://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 B. o1 v+ A% s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。
- n0 U, j' n% ^9 l4 m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”。
) o0 p$ B& F& N- G7 ^7 t
, E: |/ r7 d. Q% chttps://github.com/oomol-lab/pdf-craft

; T: o' [' x! k1 V. r: c3 Z2 Q1. 这个工具要求装 python3.10
% u# c7 u- ^" O' {) T4 q2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
7 p. L" N6 ]! n1 c1 T2 k* n4. 把下面的内容写到一个文件里，例如 a.py
' ~3 f& B: c' r( h8 x7 X' _& C* m' S

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   0 g4 _6 J1 ~6 A+ E& m/ X2 }" x5 A
3. extractor = PDFPageExtractor(
   
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. )
   $ M3 P' W: o+ W9 U& A
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：
% q3 |2 J  B3 j; U4.1 /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 m9 M: h; y0 k% z( G7 O4.3 /path/to/pdf/file: 输入的源PDF路径文件名
: h7 x5 i, K* ]) {- P
5. 运行 python3 a.py

nanimarcus

$ A7 G4 j- u5 |. l1 |
目前为止PDF转纯文字的最佳办法。
. ~7 u2 {2 U9 N1 S: U& d( V先写个小程序，把PDF按章节切成小的PDF。
! k1 h( L; |6 R. H( o% C然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
8 F1 i0 c/ n8 c! z7 B5 w" x
: S% \- R# y& 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。
' ]4 _: }- M- t+ k8 k2 }$ S* K) Q+ Q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。
+ |2 I. `; T2 S2 v1 D( \9 l$ Y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。
/ M3 Y; w5 J4 x" h: O
4 E: B8 Q" f7 l5 s( X! zdeepseek可以同时开四个。
' d4 V' O  j5 h. q

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
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。

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

) C3 I& w! y, v# h: Y已经搞定.

" z. q7 }3 V2 h! W首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

1, python + pypdf 按章节拆分小的PDF
7 G; B& {8 h! v) ]9 V9 Q! O
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。

4 j7 P7 q* h" @模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
$ S# H# y9 i6 \
5 R5 V7 Q5 s+ `9 M7 a- q参考：
, ?! U0 m9 D+ N$ x+ Q* u7 Z! Thttps://api-docs.deepseek.com/api/create-chat-completion

+ R0 V/ }1 z) s4，费用：
9 w: i7 S# @8 g
实测：
' j0 D* w" l; f6 N. e$ k% {
4 R  d' u+ d- D3 s# l: r' P. Q4 Y296K 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

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。
$ T; L1 @8 F5 z. t9 l9 j
参考如下可以计算，懒得算了。

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

9 S% {" h4 L9 B5 R% e6 p, r( t1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
* K& V1 S7 s4 V1 \( i1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

7 q% ^( S) |0 u+ w) c, I0 ^: p5, Balance
' \* J, a( F) Q+ \' q
% R* \. m* @/ A% }1 I" ^可以在程序里调用，知道每次运行结束后，balance还剩多少。
. p, r7 W4 ~4 ^  D+ {: q, B参考：
/ n2 X8 F1 B9 w  T9 C. Jhttps://api-docs.deepseek.com/api/get-user-balance
$ K" }: F& b% _
4 \! C6 e" v! D6, Models

目前就两个
# deepseek-chat
# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models


7, 问题

# T2 j& T$ s1 Zdeepseek 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。
$ N) B, R$ \% E/ o' ~" _
8, 钱说了算。
/ t/ m9 k1 Q6 ?3 F" O! e
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。
: J/ w0 G( \8 q( O; d3 f- R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。
! M+ n! ]2 U% T  A, |
. G0 F3 b6 @% c