利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

) U4 {' {3 p5 Y1 s7 O把PDF上传，然后让他抓取文字，并修改可能的错误。
; ?% w( }8 n. q' i: \/ \然后deepseek完美的完成了任务。
. ?+ I9 d6 \. ]段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
5 E8 l2 C+ K: j9 i# v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。
现在我这里API还不能用，等恢复了，全自动了。
/ G; t' Z& w# i1 A6 ]! a9 M/ r+ |====
第二次疯掉了！
2 {. y$ z! H" Q- k9 m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。
====
" x# s9 W$ k3 _' K" {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。
* y- J  A0 U; Q: y: X, J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。
====
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。
2 t" s& e% u. Y9 ~====
好吧，有些东西是不给翻译的，哈哈。
. {% V0 }( q& d$ N/ m
Sorry, 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。
====
$ n3 g; j7 a& B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。
1 J% D8 a/ I! T* m: R9 o====
* f+ d+ B. F0 N时间段的话，北京时间的下午和晚上用比较好。
9 X+ P1 ?/ M- h后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
( B' K. ~; p/ S- K: r0 s====
用千问吧，非常稳定，非常强大。
! e. I: I$ L* s1 x. Thttps://chat.qwenlm.ai/
====
6 s* \" s0 d: Y. RDeepseek，API 看上去可用了，但是不给充钱。

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

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

+ i6 f7 v1 K; {' w8 j% 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

以后让deepseek 读出土的竹简

还有把古文翻译成现代白话
5 r* Q+ x8 X% }- X$ }
. K& o+ J" P  X, p9 T) r( B4 [' H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% j" ^; a9 }9 G3 K8 P# c# `1 ~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
- ?& F6 Z& ^' c, I请教是如何实现的？
8 W. ~4 Q0 y) e
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 ...

( y3 l! q0 U3 B: S! t4 z
6 ~, z7 h5 _* ?. D- 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
请教是如何实现的？

, y  k* ]7 D" [. ?+ s+ B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 ...

2 [2 X. {! ?) A* phttps://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。
' ?& {, s+ \1 G' r很稳定，质量不错，好像最多一次处理15页。
/ J' T) P  ^5 `3 [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”。

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

) d- I, \8 `  p$ H4 k  E1. 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
3. pip install pdf-craft
3 ]2 N8 ^% U7 ^+ {0 J6 x4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   ) |, v( o4 F9 R! e% v
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   8 @; r) r) N3 h. r# _# r
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   ; i, O5 i* k' i- b; p! Y/ f
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
     j' b, ]8 ?) a" |8 I+ P
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   ( b: _0 F0 z% E
9.     md.write(block)

复制代码

( l* d7 u( I% x: X3 @
# B2 }0 I+ P! K$ c" C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
& C  V/ y! M1 N! h& Q) l! }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
2 ~1 e# }: F7 Q( t
5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
/ V& }% a0 D2 S5 Y/ Q& E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。
效果非常好。
( P; @! O- t0 h/ o- K
' F- V# ^9 |  ^0 D" Rdeepseek，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。
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。
3 |# a  L( J# s0 ?& C
deepseek可以同时开四个。

三力思

1 O6 b4 @+ s- U- Q9 A. T# L9 S
+ v* ?9 e2 I' T* V& O) _# D4 e" M9 S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
! \! |: M0 T% E7 N0 r+ b8 K$ g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 ...

. y3 z* Z& O, @$ K" I- `细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
  J5 r% y# o, Z. X& ]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

6 c3 H2 f' g$ h1 w% f. c
已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
4 ^, p6 d9 T1 A2 X5 I
$ Q, _8 i( T: c2 K! V! a0 F; Y. X6 p1, python + pypdf 按章节拆分小的PDF
' K' F: ~  W) G/ q! u1 Q) C" U& X
! j1 C, s* Z, @1 x) z# P2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file
$ {0 C, O2 W3 s- u/ |5 r) O( l
3, python 读取整个outputfile，丢给deepseek 矫正。

4 B+ s8 d( {, a& t. m) v模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
' W: Y! J8 C6 q( N1 [3 {6 W  ~4 G
参考：
- ^1 P% z  a0 w0 f" L5 p, u" ehttps://api-docs.deepseek.com/api/create-chat-completion

4，费用：

实测：

296K 字母，用了 9 美分。
( ]1 U6 a) O) i  p* a1 n0 N2 U
英文字母 到 token 用量大约 1/3
; f) i6 B+ c9 Y0 d* P
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

# a3 y; C+ o4 s8 c) W价钱，非常非常便宜了。
" [* h# n) O: m" @/ m
参考如下可以计算，懒得算了。

8 m9 O+ x' j7 a4 Uhttps://api-docs.deepseek.com/quick_start/pricing
3 ^7 \8 E: W# |" x# i6 g$ ^/ Y
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
' U1 M, k& L: l1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

0 A6 r+ b& \2 z6 Q4 k7 G0 X" Q" ~5, Balance
3 F( U; _) V' I* _
0 U2 H" `+ B  P* Y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 p5 o! {& S& J: l" C) k! G' t! zhttps://api-docs.deepseek.com/api/get-user-balance
2 m0 n' |( K8 J8 x" v
3 J* W$ B+ e8 i' _8 h; v7 D0 l6, Models

5 O  h% T/ E. h1 H; t: C  q目前就两个
- U0 x4 _4 @/ X1 {# deepseek-chat
# deepseek-reasoner

参考：
$ V# h- k0 G+ B4 y# lhttps://api-docs.deepseek.com/api/list-models
# K) q9 b( w8 p  w; S& u: `" c( e

7, 问题
- [8 N$ ?8 g  o+ o& K. S' Z9 h
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。

8, 钱说了算。

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。
9 U5 X6 \- v5 f5 B1 Q但是API就不会出现这种情况，毕竟我们给钱了。
# h( \2 U8 D3 U8 C" S  V3 Mchatgpt也是这样的。
9 I' \) q/ \# A. o+ u( _  k