利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

4 ^2 N) ?. D+ t, _# V4 h' u0 m
, W8 J5 ^: {7 k4 h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。
段落清楚，列清楚，页眉页脚全部去掉。
1 M( g/ g2 M3 n/ N& `2 L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！
8 s+ o* z3 E/ n3 J====
" ^. e# s# D1 r. H7 L) W中文也很完美。
经验值，每次十页比较稳定。
4 J) J- x4 a6 P# S4 Z) q6 _  E7 H现在我这里API还不能用，等恢复了，全自动了。
- I8 M7 }' o- V4 R% t) h====
1 e9 ^6 J8 c; D2 {4 |, |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。
====
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。
7 w) k0 I4 e( D8 N====
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 @& R, B, @  o2 L$ S) i好吧，有些东西是不给翻译的，哈哈。
2 Q2 y3 p8 h/ T* r& T
Sorry, that's beyond my current scope. Let’s talk about something else.
====
, J8 d! n4 S4 p5 _4 B/ p' x然后我的英文命令也让deepseek 帮我修改，呵呵。
7 `  g9 m  p4 J# Q====
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。
4 c+ ]# a3 A9 ~====
时间段的话，北京时间的下午和晚上用比较好。
) M6 Y0 r7 w% k7 |; R/ E! u后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
( f8 c* |9 I; j4 u4 F) A====
用千问吧，非常稳定，非常强大。
1 w, ]: l  Y  Y3 O4 zhttps://chat.qwenlm.ai/
====
2 J9 F3 p6 d8 SDeepseek，API 看上去可用了，但是不给充钱。
, k7 u8 u+ ~; ^  y1 O# Z
8 h' D/ q2 o+ m8 v/ B  G9 [

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

; t3 d  `1 [1 q2 `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

& n+ v. P# `6 P1 J' p. f. y
以后让deepseek 读出土的竹简
/ }2 z4 [3 a7 B8 w$ L) I
+ e( o' D! |6 z3 [还有把古文翻译成现代白话

. C% h+ k$ s: I! X: K, Q- Q/ K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？
8 G# `/ c  m" {& Y$ V/ f1 z, Q
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
请教是如何实现的？
4 S' I- w4 Z6 S: f! v2 i" ^
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 ...

6 t- @6 i( x8 v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。
0 n' p% l/ J7 t# l  f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？

" O# _) e  Y8 n2 o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。
; D3 t4 K* C" G( q" Z. f' {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。
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
$ ]8 l% @1 I+ J7 D" _2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
6 o+ b2 u9 \: V3. pip install pdf-craft
4 P2 S$ C1 v# B5 I) Y, j4. 把下面的内容写到一个文件里，例如 a.py

3 b& @7 T+ g, a9 A1 u; }

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   : D) G$ |( n4 F4 h% l
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ) o/ G, P  n% C( E/ S( E" M8 x0 ~6 L
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   ' w: ]2 Z6 w+ F; {  B8 N
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   # @% t7 h9 f8 ]; N
9.     md.write(block)

复制代码

. Z1 A1 r* z3 ^3 y, `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
8 p4 G* S/ B0 z3 d& p
7 E5 J8 Q2 {. i5. 运行 python3 a.py

nanimarcus

! f0 r* ]6 L. ]* N
9 D1 d$ O1 v; [; O2 K# m* W目前为止PDF转纯文字的最佳办法。
+ V3 ]7 P+ x6 C6 J3 o. P0 M先写个小程序，把PDF按章节切成小的PDF。
% d; T+ b& b# m" U4 M0 D然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
1 n5 e: x0 n. H效果非常好。
( @# T9 \( X9 i* w, Y) G! L( p
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。
  ?( @1 ]2 `, ~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。

$ {2 \, \. p7 T4 m1 x% [- R; sdeepseek可以同时开四个。
3 Y! t8 ?+ U  ~, J! l

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
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
! q5 L, L# y6 f) G$ g, H细说一下，听上去很不错，多谢。

) ^, F& ^: f( |! E" O; o! H" e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

) p& x1 \" B9 K7 k
已经搞定.

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

. N+ g) Z4 E2 G( _7 R- p1, python + pypdf 按章节拆分小的PDF
1 V& d" z, m, O; l
( b/ m3 G# S& [$ E! i+ X' E2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
- K: b/ g5 ^* m0 K
得到text file
; l6 {9 q3 t# D1 d! h+ C
3, python 读取整个outputfile，丢给deepseek 矫正。
2 Y8 y' L6 e7 y5 G4 i$ t+ i$ m
模型是 deepseek-chat

2 |1 `. {8 |: }4 K4 ?/ ?6 c! Cmax_tokens 最大是 8192，别的不用改。

% Z# r. F- z+ k( {. s3 N6 t参考：
( c. Y: u7 {8 |- U2 P+ Qhttps://api-docs.deepseek.com/api/create-chat-completion
1 q6 N( K  R# @
4，费用：
/ U9 q( a$ K9 j/ K
实测：
0 f! E/ i6 D! h) s3 X1 ?/ ?6 `
296K 字母，用了 9 美分。

1 b/ \$ |5 x8 q% ~2 u( v英文字母 到 token 用量大约 1/3
( j6 {  ^( p8 X7 @  o; s$ z# M
2 E9 }$ Q1 @0 F, ?2 Ytokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
; X5 ?! g/ D6 L0 N' l4 W
32899 个字母花费 11782 tokens，包含输入输出的 tokens
* E6 `  ^" Z3 o1 d+ x0 A
价钱，非常非常便宜了。
) T( d- ~* \( \! a
4 j  r& i- }, v6 c8 I' ~参考如下可以计算，懒得算了。

, r4 |% J% U: f# f: ~+ rhttps://api-docs.deepseek.com/quick_start/pricing
% Q9 B$ }. b9 I. F6 d, _
/ R. f% H2 V! V' ?' y( C1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
! }3 @  ?# {$ ?- [8 c; G1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1 X2 Q  N6 C9 u1 @# V1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance
+ ]& E) q+ _4 b0 x6 F, {
' |& H1 H3 d2 p& d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
, ~0 Y4 N/ N) R% N8 I
6, Models

) ]2 A) ?$ ^6 |' d目前就两个
+ P+ {' M" t; u9 ]* N( A# V# deepseek-chat
# deepseek-reasoner

参考：
7 p1 N1 L/ u* {' Q, Phttps://api-docs.deepseek.com/api/list-models
9 \2 \$ B2 I) |8 Y5 a6 s6 _2 i4 s
% A) e. P+ ]9 R1 [/ t4 ?( C
. Z# n9 Y6 I& d! H0 m7, 问题

8 o& q. ]! w# Ddeepseek 会将前后两段合成一段。
1 h8 `; B' }% Q. `1 Q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。

4 I5 }1 p& a: t. H5 n/ Q1 wdeepseek 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。
- j) C# h! r/ Q, h5 K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。