利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

  R" m/ X4 \* p4 h8 [' M
把PDF上传，然后让他抓取文字，并修改可能的错误。
0 P( q. s0 O0 P" W1 e) o. s* n2 O- p然后deepseek完美的完成了任务。
" Q0 T7 z/ z, X  B/ ]2 e% N段落清楚，列清楚，页眉页脚全部去掉。
$ @0 Q! u5 h/ A: _" e/ |- D! A3 e我要疯掉了！
- q! Z, ]7 k+ C# N1 s) ]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！
% D; V* w9 C, G: k  p====
中文也很完美。
% T2 ~% O4 Q, Y/ [. g1 `/ L% D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。
2 w" @9 B7 K4 y7 P0 d" V====
第二次疯掉了！
7 y+ j5 s. a$ O$ `- p) ]7 M2 {' Z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。
====
: {3 V  R0 m: L8 X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。
" W; w: S1 R4 h* s3 o1 L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。
====
  r3 o+ N! P# A& ]# ]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。
====
7 j  E) f5 j) w; p* M/ X好吧，有些东西是不给翻译的，哈哈。
1 x; r+ I- h/ v! o2 a* w  s! A
1 X+ c/ E- w* [# v) K# ]1 F: ISorry, that's beyond my current scope. Let’s talk about something else.
  l; _- `, }* u/ n( {: h====
9 q$ n7 S/ e3 M# O4 H5 @2 n0 n' Q然后我的英文命令也让deepseek 帮我修改，呵呵。
, H# l# K3 q8 C3 ]: z0 r$ u====
/ l8 V3 {9 i$ X5 d- l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。
% C- r/ J+ ?2 o) s6 H0 V0 I$ I====
4 @. D. [. ~8 O( t, J时间段的话，北京时间的下午和晚上用比较好。
$ l7 {& m" x) S% z) y+ V2 E后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
8 ~# ]& Q& F7 f; q, e* o0 _====
( P" y* H/ V/ p4 Q+ t用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
+ s& d0 I7 w4 }4 ?. F) `( [. N====
Deepseek，API 看上去可用了，但是不给充钱。

; _' Q" `4 z6 S8 y: b$ W- J7 h& }
! h, T0 H3 m; ~) ?  {3 z7 H! }

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

7 D* d1 F# r7 E" i; h  o; O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

以后让deepseek 读出土的竹简
0 O9 s% u* ^' ^/ z
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？

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
. R% }( L* w; ~# O. o请教是如何实现的？
4 O6 {2 C6 ?9 _, d
* L# o) j5 j& ?* A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 ...

+ w8 b+ q4 O* U2 R* m2 T0 \6 O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。
6 T, q( u& X: |; j8 q, J$ b5 K4 I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。
; ]; e+ c1 O+ d5 z# A, E

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
9 Q2 p, v) R9 K5 Z& A1 C$ N& t
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/
试一下千问，估计美国人没有攻击他，所以资源敞开用。
5 U9 I$ a& C% U6 W, W很稳定，质量不错，好像最多一次处理15页。
& s- q8 z0 u6 q' [/ J7 R3 S2 A  k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。
6 K+ W. U  D3 j- u5 O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”。
& u8 ?' R& n" \' d! U5 e
" G! w2 |* j5 X- s6 Z+ a" ^https://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
% [; Y6 i* q- H' n$ s" ]2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
# j5 p* m& S) I- T3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py
- R  R- C% G5 v% L

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   6 \6 R$ l" T" D5 ^% f, i
2. 
   ! U9 k+ u  O; v7 S$ V9 e8 ]
3. extractor = PDFPageExtractor(
     V  _" w4 x  c( e+ Y  P7 }1 p
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. )
     q7 D3 b0 U0 ?6 `  }9 D% S& A
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   2 h" H1 D" q& x8 K0 D4 A9 I
9.     md.write(block)

复制代码

8 i  p) G: ?) l) W) q( h
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

5. 运行 python3 a.py

nanimarcus

8 h. E% D, @8 k4 T
5 \" G. L! H/ P7 ]. ?# Z. @) J0 w目前为止PDF转纯文字的最佳办法。
/ I* d: g9 x# a0 T/ l先写个小程序，把PDF按章节切成小的PDF。
- y5 b% B/ C1 j2 s; u然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
0 }4 C' f2 k5 Y! X( f8 p8 n效果非常好。
1 D* e' s' S# g" x8 L
deepseek，qwen，chatgpt 三个，deepseek是最好的。
% H1 ^/ x( ^1 A( |
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。
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。
我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
) ]0 e% |& v. {* u
API到目前为止，差强人意，不如网页版本修得干净。
# J! b8 [( [, {
deepseek可以同时开四个。

三力思

& L8 L1 h. z' S
0 y% c* ~: m8 L0 f( q3 k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

已经搞定.
( u- i) ~  w' r/ y
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
6 S- Y3 q1 ~- U5 |+ m
- M. h# @* T9 [8 |: v. ^5 d6 H9 Y1, python + pypdf 按章节拆分小的PDF
9 Q4 H7 I: S3 i2 p+ w
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
! E, ?- S( h. r5 y/ t$ ~
5 \4 a. T0 a3 o8 j6 \% z' Z3 x+ G得到text file
/ A+ e6 e. r3 B) y! \1 X- l- ~1 \
3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
* _" N  D2 Q3 b8 J) t( u6 h
7 b" V( u  W  }! pmax_tokens 最大是 8192，别的不用改。

1 q5 o/ y. y* j6 A. D; q$ Y. k/ N参考：
/ r9 f* R5 Z$ x! B5 r) |' I- f) o, dhttps://api-docs.deepseek.com/api/create-chat-completion
1 U* n2 @2 }4 k; X7 |
4，费用：

& x! q5 [# c" J/ g& Q% t8 ?% f实测：

296K 字母，用了 9 美分。
/ a6 e) q$ f: k: }# T
5 ^  V7 p; b4 I: {英文字母 到 token 用量大约 1/3
0 ^; W9 L2 V6 _* D% w! a
: S) v+ V) Y% A' R. vtokens: 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。
5 L4 ^) }  o6 d( o% l1 n
参考如下可以计算，懒得算了。
: `9 k* g- D+ }5 _7 T" @
" M4 V6 j5 Q. p# }* h, U, ?; zhttps://api-docs.deepseek.com/quick_start/pricing
$ \5 R3 Z, D& k4 w6 s
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
. H" G5 w1 S5 I& }+ t. @2 h1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
) {, V9 M+ E/ _  \; `/ h
可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
7 R. u8 H2 @) R: ahttps://api-docs.deepseek.com/api/get-user-balance
& [! Q0 A* [- P) U; G1 c
6, Models

目前就两个
0 d1 w6 R2 m# z# deepseek-chat
/ `- J. e8 [4 W* d; @3 y# deepseek-reasoner
, k: N7 z8 n4 H; g
参考：
https://api-docs.deepseek.com/api/list-models
4 m* K  w; V7 T

7, 问题
* L" w" ^: S2 w2 s" ]* B
/ x7 t7 `1 a+ `. ~0 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。

1 B* z, r* e6 e* E" x$ ]1 T. `8, 钱说了算。

! j( z1 R) c) g/ ^+ F7 Gdeepseek 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。
( B/ }/ X5 j* g" b8 |7 u但是API就不会出现这种情况，毕竟我们给钱了。
4 K2 p, f/ H) {1 P0 `! A+ y. F% p5 mchatgpt也是这样的。