利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

8 d, U3 V; o$ y$ ~% O
+ B/ T: t) l5 R; F5 y+ C* x! l" U把PDF上传，然后让他抓取文字，并修改可能的错误。
# v* w$ P- Y) j' q9 @& a6 @  r然后deepseek完美的完成了任务。
1 {- y$ \: v' w/ b# a段落清楚，列清楚，页眉页脚全部去掉。
: h8 `4 X, ?; @* ^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！
0 A: f: B2 [$ D====
( S3 m; M% F( F. E; j8 |  x$ A+ ^中文也很完美。
7 y4 q0 j1 X) `6 v* ^2 l7 l- j' C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。
! p0 |3 ?) A: U/ ?% r====
2 o- A' ]  v0 V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。
====
, ?0 s7 n. Y5 E/ e0 t" J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。
$ S6 v  {' T$ X: e' U====
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.
. |. a+ R9 u1 o====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
7 j. t4 q- e0 c2 k& G- }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。
" k" a1 k% ^2 Z! @====
1 n" A. S9 h" N$ U! j' F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。
====
用千问吧，非常稳定，非常强大。
& I" T! r; l$ w1 U1 \9 ~: |https://chat.qwenlm.ai/
$ N& B& ~) }4 F$ Q3 i====
Deepseek，API 看上去可用了，但是不给充钱。
1 {" V9 A- B% a$ Y8 C* p
3 D9 w' n/ @, c) z

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
' u, M2 L) D1 u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

7 e' k: R+ n& D9 O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

; T( f' i" M' [1 O6 E8 K
' p: Q! _) X  @以后让deepseek 读出土的竹简

还有把古文翻译成现代白话
6 M+ v( ]: e6 t
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？

, A! `( B7 y' G: F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
2 n% Y8 ^. V0 ]0 }5 T9 i2 r请教是如何实现的？
) L7 a1 n0 [$ n. I7 a
/ c5 O$ L: W0 C! @( D: a) s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 ...

+ Q: [8 D1 I" S$ K
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。
" U! i' R) ^) A; ?% @/ m+ @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？
2 b- L# |# l, A6 I' N' p0 O5 c
5 h7 E* ?1 W# d4 t5 R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 ...

4 V; K* Y: @7 B0 g2 v  A8 w+ \https://chat.qwenlm.ai/
0 V+ Z' i5 u3 h* u0 ]试一下千问，估计美国人没有攻击他，所以资源敞开用。
- u( N; f5 k9 ]5 @0 t6 |很稳定，质量不错，好像最多一次处理15页。
, v" H" ]) M4 E) D1 R% x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。
  o3 L$ X) c0 T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。
0 ?* c; d. ~' i0 Z" W; M% v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”。
' l7 r. U2 y% t- L' c" a
% ^7 N" E: [  g) A* B/ Lhttps://github.com/oomol-lab/pdf-craft
5 T+ N  f' H8 e& T
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
9 r9 [& q- z' `7 ]2 c; O3. pip install pdf-craft
$ m$ s* J; b2 C1 u# l: g4. 把下面的内容写到一个文件里，例如 a.py

* j' t9 i1 V. K! m: D) j* h* C

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   0 i8 j: J( X) K1 b
3. extractor = PDFPageExtractor(
   . T. G0 ]; W  {+ l3 ~8 r. l
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. )
   - U! _, P5 \; {2 f, n) v: Q
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   ; I3 u, p0 }' |- s6 h
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

( _+ D8 A4 {# t- _
. C; G8 D1 u$ K2 s8 h" f# W) V要修改的内容：
7 X( T# u) w; C5 G% l4.1 /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
8 H! F; H* c" ?. J( A
5. 运行 python3 a.py

nanimarcus

4 y/ W$ ]; v* p$ P# H2 N) O+ ?
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。
  I5 N3 }! b- h然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。

  T& M+ ?; V- Q# A# `' f! g" Cdeepseek 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。
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。
$ k7 V8 |9 d5 J8 Q4 @2 J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。
! j2 d( S: }: X* d  |/ o8 z
3 Z. s! ^7 g; l) r, {# gdeepseek可以同时开四个。

三力思

' I5 O2 {1 H% F. Z4 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

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。

! ]7 _/ E4 ~, i- d( @4 K: ^4 ?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

; `  T; d' I8 W  o' r. G已经搞定.
$ }5 u! \  L. l/ ~
2 c; \% j+ @" j首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
. `% T6 ?; H) V' q3 j8 S; M. L
5 f7 U. J' ~, {( J! j( h9 J* u1, python + pypdf 按章节拆分小的PDF

2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
% r2 r' t8 h; ]( E; N/ [
得到text file
+ a% L, S) ]+ a" n
3, python 读取整个outputfile，丢给deepseek 矫正。
7 f5 ]+ y  Z! [: c8 Q8 y! s" o7 Z
1 k7 O+ {0 Z4 I/ f9 D' X( v' o模型是 deepseek-chat
* u/ W5 _8 D: G, V
max_tokens 最大是 8192，别的不用改。
$ o# \7 B! e" I3 e6 F% k
9 o) c  u, H) c参考：
( j% `2 {/ P. I2 k2 }https://api-docs.deepseek.com/api/create-chat-completion
9 l/ y8 l: F2 g4 D1 Y
  o; W6 R9 K$ z! _6 [+ I/ O4，费用：
3 u0 ^8 f& b# L
: n1 ]# n$ H& `0 `3 b+ `" N( ^实测：
* f0 {# j0 A1 Y1 j
296K 字母，用了 9 美分。
3 c1 @9 @5 q* f) @
英文字母 到 token 用量大约 1/3

9 a$ J3 w3 \& o9 D  Z1 M  q% n; wtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
; B8 C1 V3 ]8 N7 ^* m) Z  _+ {
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。
/ T; m# l+ `, S
https://api-docs.deepseek.com/quick_start/pricing

) o! `2 o5 H) o1 f" `/ ^5 E, \0 P; g1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
; A5 J8 v7 O) ?# o2 k- _& V1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
2 d: l3 B- j( a0 d- r) z5 |1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
; s+ K% N) s, ~6 R" whttps://api-docs.deepseek.com/api/get-user-balance
: w! ?6 b/ Z9 G
/ {- V. ^) ^& x6 Y' R+ H2 e$ Q. P% T6, Models
0 F4 @+ v) h5 l# z- m/ I" K3 c
4 V+ E; R# Z) c0 U! }' L目前就两个
6 e6 a; b2 E0 {7 Z/ c" f: X4 b# deepseek-chat
) Q$ N4 D: p& J& u- a# deepseek-reasoner

参考：
3 ?! F, R: \! c' }7 Lhttps://api-docs.deepseek.com/api/list-models
2 Q! d( f/ U) ?! h+ S2 z, O, |; |

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/ S$ W; k7 b6 g" b8, 钱说了算。

# I! h& ~! O1 e2 jdeepseek 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。
6 ]) W& f/ c+ y/ G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。

/ C+ ~# \1 \9 S