利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

6 t' F3 a, ^3 v* B; Z# @1 V5 N
2 m6 K; w7 j; j7 D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。
  |3 H' v: R5 S$ I1 U8 }2 Z我要疯掉了！
  E9 x( b5 U/ f; T5 z6 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！
! {, F6 z8 M( a4 `: K====
( H9 R" e9 K: S1 d; U+ p! `中文也很完美。
经验值，每次十页比较稳定。
% k( D: D; `! ]! Q) n  `$ O) V+ p6 ~现在我这里API还不能用，等恢复了，全自动了。
====
第二次疯掉了！
' H1 q- ?- z% P: T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。
) {, h; d/ ^8 s) k, E但是任务多了后，每次翻译的页面数是减少的。
/ n5 B+ S- s; v# I) ]/ G+ d; G好吧，我五体投地，继续探索。
====
; Q" L/ z6 @9 K5 I* D6 ]' R1 y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。
- R; I! Y/ C" F# j& Y  I; C====
好吧，有些东西是不给翻译的，哈哈。

! U  r3 L- ]8 t3 e2 Z$ L1 `8 xSorry, 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。
====
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。
3 X2 R4 [" w, h, C. h# m6 h====
* I* S3 N! P5 ~用千问吧，非常稳定，非常强大。
! M8 f* {4 ~; N% O0 f- ahttps://chat.qwenlm.ai/
====
# m, R/ M+ [& d% h1 MDeepseek，API 看上去可用了，但是不给充钱。



1 m- `" k3 P( @. [6 v1 t; }" X

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

& {8 s8 v! D" Z. w" v; ?8 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

+ n& q1 D0 o1 x- }, C- C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

8 j! H9 r; f; M& p7 r* x! s
以后让deepseek 读出土的竹简
  m/ ]' T( l- r0 u( I$ L
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？
' S/ L' o0 S+ T% l
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？
" s- O' [' y0 Y" m8 v4 N6 L/ Z' 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 ...

  A. P2 P+ W+ f9 D; Y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
请教是如何实现的？

: u0 b! |4 U, k; o: v1 i' W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/
; Q/ `) I6 ?- X试一下千问，估计美国人没有攻击他，所以资源敞开用。
- k$ ?% X3 d7 O$ d1 B, o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。
- d) Q. k5 }  Z* w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。
! D8 k: t# S, J3 D" X2 I/ K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”。
7 D( ?, m( }# \4 G( N
' K" k7 H& y4 p8 I6 ~+ \2 {; Chttps://github.com/oomol-lab/pdf-craft
! A  a4 C- Y% Q7 k' f
- A% E+ V4 ]' Z: k/ O1. 这个工具要求装 python3.10
- p# K3 r/ c0 y% {+ h( I( |0 ^2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
+ E  T# Y, l8 n1 C$ u: x8 d3. pip install pdf-craft
# x+ z( k, E' C# W7 _0 D& F4. 把下面的内容写到一个文件里，例如 a.py
+ H5 R5 n+ h' i. v" |  y1 v

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   / v. o" B) \1 M
2. 
   
3. extractor = PDFPageExtractor(
   4 g# D+ Y5 x! w9 x, T7 z
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
   , U( w+ T8 s4 H
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ( p  o% Z. ~: `/ u3 b) ?. k: s
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

0 P' o/ D  `" V* k  h' z+ j8 a
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
1 M/ N/ d) I9 P) X: i. p4.2 markdown_path：输出的 markdown 路径文件名
5 }4 {+ p( K6 c- ~8 ?4.3 /path/to/pdf/file: 输入的源PDF路径文件名

  G( ^: V" B' e' d% ~5. 运行 python3 a.py

nanimarcus

9 k8 d: I$ x6 q$ H* K& j8 O( X# P
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。
然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
, U# j/ |. e& P. j: t+ E* A效果非常好。
2 d) `6 u6 X& A& N
9 O* N) d% A/ m7 x3 bdeepseek，qwen，chatgpt 三个，deepseek是最好的。
0 S- J( U' O& x& B, u
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。
' q, E% q+ H: ]' i2 ~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。
+ O; D) X( h. ?/ l1 z) |我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
& V4 e# [2 V  M# B6 B# o' f
4 \; e0 e' `( @2 X( oAPI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。
' t/ P4 s" P; c5 h/ z( v! k

三力思

& g1 }' r+ ?' E+ d8 O
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
9 N  C6 r' s6 Z  e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
9 O0 Z7 f  {. p$ p7 [细说一下，听上去很不错，多谢。

4 k" i9 ?/ Y, l, H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

6 ]/ ]8 I; k. T) A# b
已经搞定.
& n. U3 r# ^0 K$ p
- i- J7 ?9 v: Z* ^: O8 a" N- O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

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

. I& S7 h, n$ C7 a7 |4 X得到text file
2 T* W& n( u4 C' |( e* j
* K8 I9 v, L) f" P* z3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
9 u# M* M0 w, }( J# c2 ^- l! r5 l
max_tokens 最大是 8192，别的不用改。
- @" V4 Z* H, l) E1 ^
2 f2 C9 F* i$ r; f参考：
https://api-docs.deepseek.com/api/create-chat-completion
+ O" T- m  P/ H- O" [4 @0 Q
1 X8 n8 T0 ?. d7 d  o4，费用：

6 y8 T2 P' n1 L6 C8 q' R% H实测：
1 h( T2 {- ^& [2 O: c# v. j! y
9 Q0 }8 h, f) ^3 w$ j296K 字母，用了 9 美分。
7 G# Y4 S& n3 B/ q, b6 f
* Q! x+ U! l% {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。

参考如下可以计算，懒得算了。
: U1 [4 J2 }# \3 k/ b0 s7 A" `  h& F
6 w% f% ]  x/ G. g3 l$ K; \2 x3 chttps://api-docs.deepseek.com/quick_start/pricing
' M5 D, z1 Y* ~  n
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
5 X9 x" k2 i- q$ O9 h/ A3 ~1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
9 |2 e% @9 i6 E+ @( j; L2 E
可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
+ J9 q8 Z( g+ {1 b- Ihttps://api-docs.deepseek.com/api/get-user-balance
$ j. L% `* G+ @2 ]. ?6 J
6, Models

目前就两个
# deepseek-chat
# deepseek-reasoner
, |, x! N6 F1 @8 r( U3 D
参考：
: j& n; |/ U1 i+ k+ _$ C* Z" zhttps://api-docs.deepseek.com/api/list-models


7, 问题
1 ?" W  i1 \7 J9 U. W3 c
7 Z( H; l; S) }' U% O: z" sdeepseek 会将前后两段合成一段。
- @1 }+ U( @" |( m3 \, I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。
: T: _4 ^9 w. w$ K+ s
# |! {, |$ Q5 C0 Qdeepseek 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。
chatgpt也是这样的。
+ [0 i% z; |4 \. ]) A1 B