利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

5 [/ l7 |. D3 L0 H3 W6 `* l
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。
; N$ ^/ G# s% t% J段落清楚，列清楚，页眉页脚全部去掉。
7 M! H: ?3 P: d# C4 J我要疯掉了！
" s2 N% M4 n# T4 h+ M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。
& U( E' D4 t* `" D: R+ r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。
====
第二次疯掉了！
" m6 d" c/ U' |: G* w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。
! ^  v; _/ P- `7 C====
# `" w7 R% J% A" ]$ l8 C( T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。
  B4 m. L% \% |8 [但是任务多了后，每次翻译的页面数是减少的。
# s8 K( `& Q1 {& W好吧，我五体投地，继续探索。
' a& v. A5 Y) |====
& K5 t$ Y; ~1 A0 X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  J  y( J; {. F& m2 j好吧，有些东西是不给翻译的，哈哈。
* |! k0 I# W; N+ q0 I
, x. f: F+ R  ?! K2 R0 DSorry, that's beyond my current scope. Let’s talk about something else.
====
* u1 [: ^/ f8 e- J6 d4 I然后我的英文命令也让deepseek 帮我修改，呵呵。
+ ^- i+ @7 c5 B4 H' G2 x: a7 ]* H====
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, P: A( [- F# ^' V时间段的话，北京时间的下午和晚上用比较好。
4 N/ P1 p2 e0 Y. |( v6 Y后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
$ ~  X3 E/ Q3 V# p! e- x用千问吧，非常稳定，非常强大。
& d2 X" X! v/ d! v9 c- X  B1 thttps://chat.qwenlm.ai/
====
9 l. z% A+ {! L9 X3 H" iDeepseek，API 看上去可用了，但是不给充钱。
: S" C) G. E- r7 [
. z+ N* x- |8 |* X1 w
  }& ]7 B4 L# U& K2 E  o
; S6 i- A( p( x. W6 k

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
3 y  c' Y4 C- A$ E这功能很赞呀

) W' k+ a. x3 U- E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

  t& q, L8 P9 K2 {1 x9 B5 c
以后让deepseek 读出土的竹简

还有把古文翻译成现代白话
0 G! L" [9 n7 G3 `
, T4 \2 H2 K5 G9 I0 M  \. b' _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？
( n: a' ~; ~8 U& o/ l7 p$ I: w
% r. k' Y  r; J8 @- \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
, S9 W; a/ e+ E; @# _8 s请教是如何实现的？
$ I& B( }( z. F* h! K) |2 p
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 ...

7 X4 K8 T, n& g  G  ~
/ O/ s: e: u4 F  ^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。
/ z' i) h6 @1 q: S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。
8 N- F5 o$ R: q: m% G" ]

nanimarcus

方恨少 发表于 2025-2-3 01:23
4 X% T4 k0 q  W5 E0 w" j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 ...

. s! \  F9 G9 f' ^; f7 jhttps://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。
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。
  z4 Z# G/ j& }8 h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

- J4 d5 M: r: j, z; |. N8 V1 U1. 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
5 r/ r# h2 }" w6 Y4. 把下面的内容写到一个文件里，例如 a.py
' C4 l2 B2 ?# r$ m+ w

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   : p2 x: V% c* o
2. 
   9 `, P( [$ b& e4 a8 d+ g( ~
3. extractor = PDFPageExtractor(
   
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. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   9 n. S+ E2 M1 _& k0 K& Q
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

5 G$ _5 \" Q3 x8 o$ }" u$ _
要修改的内容：
! a% t) I% P1 w; Y7 [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
# Z# P7 k" [/ I* e4 E; v4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

1 e  c0 w0 U# S2 p  g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。
$ \& ^& }$ o& w, [. G5 j1 w然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
8 i, h5 {  {& D) P* C
deepseek，qwen，chatgpt 三个，deepseek是最好的。
& N6 X: O& o3 G; }1 w
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。

6 l& V1 ?: r+ F) @0 L; c1 h' U# l" X4 xAPI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。

三力思

0 U0 W5 Z- U/ {% j' t
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
. G- t3 f: d6 E& `) w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 ...

- @! F; ?; s$ X3 r- \  Y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。

; v% R! o% S& j' r- J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

: Y) g( I, o8 F* ]0 H% V
2 @: W; `. V# s5 n* N2 w* q已经搞定.
, g+ T6 T/ x% |$ t$ U. _
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 }, {1 z$ w9 f* I! @+ O
, M6 g& q- |* V5 |4 B2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
& y( q4 }$ o. e) q  c; z
' P5 [1 K% S$ e9 _" Z得到text file

2 h' g) d3 Z) ?) z* b+ f1 L3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
- z! C2 D( D9 }" C
max_tokens 最大是 8192，别的不用改。
, a2 Q3 u8 p, m. S
参考：
https://api-docs.deepseek.com/api/create-chat-completion
( r$ [: s( @& x( J
4，费用：
5 z. G( b% f* V
实测：
' \/ J/ F$ Z* _
+ u- t% U  i5 p: V- ]) u296K 字母，用了 9 美分。
  R8 v: d' O' E% B. A
7 E/ u, i; O% o* q" Y' [1 N英文字母 到 token 用量大约 1/3
- K' T& K- x# }) H7 w* r! C
2 I# e/ @4 T  X& I& ]  ztokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
" m3 U& k( W9 {. [+ Q. L
32899 个字母花费 11782 tokens，包含输入输出的 tokens

- I( ?" w# _: y! P, _. Q价钱，非常非常便宜了。

参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing

$ l1 D: l2 K2 w6 ?1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
, x7 b( q/ w/ A5 h  {; ^1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance

/ R7 ]/ F; ~* o2 N+ ~/ k2 t: L可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
https://api-docs.deepseek.com/api/get-user-balance
$ ^+ A' A3 C' a) l$ M% `
6, Models
1 j2 j! d8 z. a$ l+ I
) K  q9 l* r4 ?& K目前就两个
: b4 }4 m' ]3 B# deepseek-chat
- G/ G$ n" a, }' E+ |# deepseek-reasoner

参考：
7 T5 z! P; b' U7 P/ m2 _! r) i+ yhttps://api-docs.deepseek.com/api/list-models
$ x/ x  `: E: O0 n$ W" m/ t: Z7 w
% a, a+ ~( m8 q
; K1 j0 ~/ i/ ~4 F) q( K7, 问题
1 `9 ^- }. U0 r2 g3 ~6 B9 ?
deepseek 会将前后两段合成一段。
2 x9 P1 n& D" t: |" q; j/ z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。
& A# F$ R; @/ _( g5 A) X; {$ _
; i2 u8 _4 e1 M* `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。
* }) A* P! C; v9 R2 J9 l3 u: ^. p6 y, q但是API就不会出现这种情况，毕竟我们给钱了。
3 r% I; ^# P7 J5 p/ T% I. Jchatgpt也是这样的。

- |' B( |1 W5 \9 Y7 K8 z* I