利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

" \. q8 V! v1 w/ v4 S
* d/ _  b9 G6 o1 ]# N  S0 t! q把PDF上传，然后让他抓取文字，并修改可能的错误。
% {' S8 d% l( G然后deepseek完美的完成了任务。
" v( D/ @) I, l5 U8 V# K段落清楚，列清楚，页眉页脚全部去掉。
( r) I5 j6 {2 |/ I1 z" O- _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！
====
中文也很完美。
经验值，每次十页比较稳定。
$ b$ I; U: R, Y- E: [% Z. d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。
) y! L$ m! t' B7 ~# e====
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。
/ x% Z' [* u% I# f9 _- p2 P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 [& z& ~# }* ^" c# B1 T; D' r6 x, E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。
4 A9 N9 ^% e1 D) y. {====
好吧，有些东西是不给翻译的，哈哈。
$ h+ I* H9 V5 n4 I" [
8 }* R/ A/ M, ~& KSorry, that's beyond my current scope. Let’s talk about something else.
====
2 k; Q* K* V5 m8 G然后我的英文命令也让deepseek 帮我修改，呵呵。
2 Z. ~" p4 V* h* t8 x====
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。
, _% R( K: ]0 \5 w* U2 G. S====
0 w# n' V% u7 k' D% L  n& l2 L/ W$ }用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
# ~/ B$ |( p- I0 I% W4 G& W" d+ p====
Deepseek，API 看上去可用了，但是不给充钱。

1 R3 r( Q0 R& E0 V1 N$ U) B

& \) u' M+ S) z1 L

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
- q0 H, Q6 t& t7 U- n% F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

' P4 h8 T( b; o, r/ [9 j3 T  I4 h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

9 g1 ?" n* L8 P  P; w  I/ A/ b以后让deepseek 读出土的竹简
+ c$ i2 m+ F2 ?' V4 P
还有把古文翻译成现代白话

1 D" _6 X4 E, L1 B5 B4 I0 |2 G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
, e4 [& U4 ^% h6 G/ _) T请教是如何实现的？
5 t! n$ ?0 ~1 K, m3 \8 @: 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 ...

! g4 v5 v' Y7 o! {0 Y0 c1 P6 s
$ ]2 {/ H4 I# A4 [6 \* W& ]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
. q$ I5 p7 a+ d) i; K1 [, {请教是如何实现的？
$ x; L$ P# E! d# j+ e
# G# N2 l$ 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 ...

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。
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。
, C* w+ D7 u# O3 R5 [  S2 V* m- i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”。

https://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
1 k- p- K% D9 h% A2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
+ y4 Z# m; L% K) S, G% ]4. 把下面的内容写到一个文件里，例如 a.py

( n9 }4 k' I  c8 j' D2 h: x2 \

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   8 E1 p3 q" g2 _
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   . h8 Z; Z1 a; f: W$ B& [6 }
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ; P) [0 X3 G4 H5 b" S8 H: M5 z  A6 j
6. )
   ) o6 D$ z. \1 b5 w6 s. g: O/ y. i( r
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：
; g% f* P) ]2 L7 X+ b* j) {) g4.1 /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
7 P" w2 Y- ^: `+ H& p' O' Q' s4.3 /path/to/pdf/file: 输入的源PDF路径文件名
, p% K7 v1 k; @/ Q9 O3 n& L* H
6 L8 ?# j' m. ~1 b$ i3 a  r5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
) K- T5 i( d- k9 I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。
8 W7 n, `* ~* ^2 W7 [7 @效果非常好。
+ U) h  j- W1 P  K* d& c; S3 \1 t
deepseek，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。
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。
6 W3 g. X! \5 Q( k5 Q6 Y# t我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
" Q5 F. K, `. n0 C8 G' N
  G. C) ?5 l7 x; k0 U( ]' z& g) ?API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。
% j* t% S) z5 I* `0 `1 e( F

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
) l9 E0 s+ I0 w, F# d+ n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

; q9 I& T/ T1 z2 C+ T$ ~3 ~  R" Q
* }& N& m3 e* ?& h0 y1 j# A5 Z已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

' }7 R3 d: Z' v' \- y' [1, python + pypdf 按章节拆分小的PDF

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

得到text file
* d$ [2 D# F! n8 `" H
3, python 读取整个outputfile，丢给deepseek 矫正。
2 U5 K' F: |4 s' a
模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
; W/ W8 @3 U' G$ K3 }; u
参考：
https://api-docs.deepseek.com/api/create-chat-completion
/ h' i1 _( W& Z. A; \
5 a3 e# J1 _  O, b$ |  ]$ s& F4，费用：

实测：

296K 字母，用了 9 美分。
3 p/ g5 `6 ^, Z& s
9 A1 g8 m; C: D8 u英文字母 到 token 用量大约 1/3
, n! ~9 r+ A6 e, f3 u% [# T
3 w# m) q- J1 Mtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
* i. K2 ~7 ?3 X
32899 个字母花费 11782 tokens，包含输入输出的 tokens
) o$ c; s# U  i0 s% x' ?4 f
7 i! v2 ?8 X. t8 X0 {. Z# J价钱，非常非常便宜了。
' N! R: [& Q% s2 `, u, F" F
参考如下可以计算，懒得算了。
2 E0 q: ?1 P6 G* N- y: e0 o$ ?
* @0 ~2 ]+ |4 W. v# H1 h) A$ Hhttps://api-docs.deepseek.com/quick_start/pricing
: D6 W/ L- `1 `* l' I6 d4 V" L
6 O+ w& n' f" m7 U, r1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
( m/ x1 n0 P7 v1 F- x! c& S; |1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19
8 |/ M& p& M: a) @* ~9 X& @) r
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：
1 S5 C8 u0 ~- q: `! U0 Rhttps://api-docs.deepseek.com/api/get-user-balance
1 y1 j1 |2 d" h& k! v' U7 f
6, Models
1 ~3 f+ X0 r: {
* V/ H" i( d4 y- n. Y+ o4 `目前就两个
/ M% P0 r% [6 {1 h0 L, f- h; u# deepseek-chat
  O' y6 Z% S7 `0 o# deepseek-reasoner
3 E$ Z# t: U% z! y; X
* y  ]' C/ B2 W# u; p; R8 `/ y, Q参考：
4 \, J1 ?& v4 U+ H+ hhttps://api-docs.deepseek.com/api/list-models


3 n  `3 h: p, R7, 问题

3 J+ i2 r6 t4 J5 {/ Xdeepseek 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。

: x! x, j, f# a: h8, 钱说了算。

0 J- y( A* @% h2 c6 i3 k* ddeepseek 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。
/ W! n' K. p/ y% J3 P: B5 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。
0 `, F: D$ O0 }7 T, V

# E9 b9 K, z4 K4 T& l/ ]