利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

& ]( `6 r( b0 ?  x" N: v( b
把PDF上传，然后让他抓取文字，并修改可能的错误。
7 }/ r% S$ k, B! [) b9 m然后deepseek完美的完成了任务。
. O8 |* x) D) w: z) i9 H段落清楚，列清楚，页眉页脚全部去掉。
& |, w+ W, A( E- o3 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！
====
/ N7 j7 x6 o8 ^8 d- t* H( i& v中文也很完美。
6 R* C4 a7 z( n6 _! O) J6 R: U& w经验值，每次十页比较稳定。
& z5 Q9 e. @  k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。
====
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。
9 c8 m6 S. m# N( r/ f+ l但是任务多了后，每次翻译的页面数是减少的。
# P8 v6 e. J. ]* b6 ]- N5 U7 D6 F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。
5 i, ~  C1 {. W5 p, S  c" u( N====
好吧，有些东西是不给翻译的，哈哈。
; H  I( O3 r  j( s& K" y
% p& `% q" B1 w; u9 w- MSorry, that's beyond my current scope. Let’s talk about something else.
====
1 Y7 r+ `# M- T& Z# B8 {9 _( Y) i然后我的英文命令也让deepseek 帮我修改，呵呵。
) Q5 A1 s( Z. e1 E( J====
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。
# Q! M1 O$ `: F4 Q* y( V====
时间段的话，北京时间的下午和晚上用比较好。
) f; F- e. O2 `' ?7 g, k0 y$ W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/
====
Deepseek，API 看上去可用了，但是不给充钱。
- ^7 r" {- @+ M$ {$ n6 c

$ [; D8 x( ~8 U$ _  f& F; }
# {  S5 b( y, Q5 ^8 c, I1 v

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
) E  d7 \7 ?- G3 z这功能很赞呀

2 W  O( V  M$ [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

% e" f/ s9 }. G# v  @" X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 y  [5 c% U" Y$ s
以后让deepseek 读出土的竹简

还有把古文翻译成现代白话
% W7 g! _; ^$ D4 U8 q2 \
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？

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
  a5 e) J$ D$ w, ?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 ...

; d4 G/ w) a  p; _* U7 C& E, ^* c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。
5 r' P; t; C* W* x

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
% L2 G0 d1 _# i' A0 Z6 q# 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/
# I, Z" n+ d1 q0 G; p& R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。
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”。
) c4 v& q3 T* r( p& ?( s9 {3 [
1 g. I5 o# r5 U1 o9 khttps://github.com/oomol-lab/pdf-craft
1 [9 Z$ h1 l4 X: m' [
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
" C) m0 E6 `3 g) x6 b5 P3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
2 K& {3 [/ {, k! k( m$ ^
3 ~! l) m/ V$ a1 A

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.
   
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ) R4 @' h! ?4 }, K' X5 j6 T, K
6. )
   
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

2 ]" E6 j* B) ]1 c$ h
要修改的内容：
- N# n* u- I! s. g# s9 {  G9 V" O4.1 /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 f& F/ b5 O# @% z4.2 markdown_path：输出的 markdown 路径文件名
, Z9 F( f& y/ G4.3 /path/to/pdf/file: 输入的源PDF路径文件名
7 s. B* n; |+ d6 b* D( R* P
/ v4 [2 b- S) A: F, E0 _5. 运行 python3 a.py

nanimarcus

# f* B' k2 n; Y; s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。
- q5 r& l+ Q  m: C5 X4 s然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
; A  k) @) w8 ?2 B6 I6 i
; x+ I, n, v; z! U  |. m& _deepseek，qwen，chatgpt 三个，deepseek是最好的。
2 h# D3 H8 M- P) `
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。
  |; @! ^9 ^# p4 x4 M; 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。
/ w! ~, s* c3 ]! W: `我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
1 G" d9 a6 C* @! ^  N9 D
6 y5 K+ V& h* B& |3 HAPI到目前为止，差强人意，不如网页版本修得干净。
9 h  [; ~! [4 o, s% |) {  }. j' }% E
. ~# E# U; T" s% S; S) kdeepseek可以同时开四个。

三力思

) [+ R, j1 t4 x+ @7 L* j/ D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
- b, g  N. _" g, z0 L6 K4 t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
+ t! ?3 P! h  g( O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

  U" Z9 E6 {  d* j& Z
已经搞定.

- P8 M8 @0 r5 R4 r5 n, G首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
% [+ h; u- x# R; O
2 Y! B. F# [! \( @& C5 K4 W1, python + pypdf 按章节拆分小的PDF

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

( P* U" w/ n- p( d, N得到text file
" Y& Q! u2 x3 z" i' T
5 \+ \% \, @/ H7 W) {9 S3, python 读取整个outputfile，丢给deepseek 矫正。

! _1 T9 B& z( w6 M) Y模型是 deepseek-chat

; C. C0 \% `# z6 c1 V- Rmax_tokens 最大是 8192，别的不用改。
3 A- a, d0 b$ b4 Y
参考：
1 m$ {/ Q  Y9 jhttps://api-docs.deepseek.com/api/create-chat-completion
3 z4 H2 `! F. Q$ L1 [0 h
4，费用：
/ ^) r; u& F4 f0 `4 B
. O3 J5 ?/ j. S实测：
3 K8 g% q3 H) N( D/ `4 }8 Q5 h+ N
5 t& k# ~+ e9 X, X( `296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
9 o4 f2 s- |$ v5 h1 K! r& V2 s6 x
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
  q9 F8 b- w3 X! {4 f
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。
+ M1 o2 i" f3 h5 d$ D
参考如下可以计算，懒得算了。
. M  J. t8 k  ^
https://api-docs.deepseek.com/quick_start/pricing
+ c- m4 @; F9 O) U, Z0 [) Z. r
2 \! F- M8 ]/ I# o9 M# B1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
; L9 u; k2 }& ]1 l- p+ \9 F1M TOKENS OUTPUT(5)                                              $1.10                $2.19
8 @, [  h% q/ Q( a  B
2 u  u8 n! M# T5, Balance

9 x4 G6 B' [% ?* p, ^可以在程序里调用，知道每次运行结束后，balance还剩多少。
" ?- y3 Z+ [6 W: d! u) ~参考：
https://api-docs.deepseek.com/api/get-user-balance

6, Models

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

; H/ c8 \+ `5 z7 c6 _- i4 x参考：
# E7 d) U$ ^0 R; u; _$ `https://api-docs.deepseek.com/api/list-models

7 X* x9 b! c. c
3 Q; [% h) A. j( ]7, 问题

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。
, [% Z; }% m3 x6 @
2 \. |4 s7 F$ s. a! ~' X2 i( f8, 钱说了算。
: B0 Z: Y3 u. G4 }% Z
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。
8 v6 F! `+ k# \0 F: f5 p2 Q但是API就不会出现这种情况，毕竟我们给钱了。
' J0 ^. E; K, U+ T+ X) m# }4 @7 vchatgpt也是这样的。

& q: X- i- @8 F9 L  ^