利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

7 B. U1 n% R& T/ ?
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。
% U# `3 Y  w: i8 v" ^9 {- y7 s段落清楚，列清楚，页眉页脚全部去掉。
+ _  M. J0 F" M' X. g7 m$ }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。
/ k# u, I) d- o9 n经验值，每次十页比较稳定。
; r6 D; s- z4 }) P7 y现在我这里API还不能用，等恢复了，全自动了。
# J+ c# \1 N: q4 B6 u. r====
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。
; ~; q9 v6 U" W好吧，我五体投地，继续探索。
# V3 x" A2 ]4 p% J' O====
% I6 t) L# O! |! m! 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。
* x6 e" {2 y( f" E4 Q7 C0 {* z" |====
好吧，有些东西是不给翻译的，哈哈。

* ?) B& |0 K- c7 y( gSorry, that's beyond my current scope. Let’s talk about something else.
====
2 d+ P+ p+ r) M3 k0 x* h* i+ m然后我的英文命令也让deepseek 帮我修改，呵呵。
====
8 V- z( ]4 S7 h6 V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。
====
2 n- q' Z& n! @1 d+ f) j4 i! [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。
/ n7 d" [: z" v$ `) V  q; R% `( S====
用千问吧，非常稳定，非常强大。
4 v' m1 B/ Y* c' }https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。
7 X9 ?& a* E$ W7 p$ }4 Y" [

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
) a! V: G4 ~4 [; J# x) ^% K9 w1 h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

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 m3 q. H; k( M$ f$ ]
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？

: Z* D( }4 l+ 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，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
9 D0 ?! R) t  F; j; }请教是如何实现的？
* X# w$ a0 H! D, H" L
5 w( I6 f2 q" O6 @" q9 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 ...

) A) D; }- j! P/ G! z
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。
, m; U. D( p7 g6 c, o5 B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？
/ n+ z1 P) |: s9 |! r4 H
6 y" l6 }, Z% c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。
( t2 h0 C# n# _7 }, b$ E* P, `很稳定，质量不错，好像最多一次处理15页。
  u8 U' v+ f3 R0 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。
, f( ~7 A2 m6 `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”。
+ d1 V% m7 r: l- u- l
. R6 H' ?8 J  H( P: R8 ^https://github.com/oomol-lab/pdf-craft
, E3 C8 Z( N6 e5 m/ C
1. 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
* q' k  r$ p$ B1 Q* u/ ?( a3. pip install pdf-craft
) I" `+ b2 t8 J0 ?+ ?) B/ m4. 把下面的内容写到一个文件里，例如 a.py

- I6 j( M8 ^# a) n! a5 P! ^7 n

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   5 s. ?. U/ W7 |1 t
3. extractor = PDFPageExtractor(
   + g# l/ N  X& g: I
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:
   
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：
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
$ n+ u; C  N2 s1 E- o0 k
5. 运行 python3 a.py

nanimarcus

8 Z% k$ d' U* x5 ^6 M, K' T# E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。
0 {1 F& l9 Y/ z然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
; j4 c+ T- I1 r9 b2 R$ u6 ~4 s! w* x效果非常好。
3 a' {& S" ~( {: ~2 E+ j0 k1 `
; Y$ h  N- p. Jdeepseek，qwen，chatgpt 三个，deepseek是最好的。

' w& z+ K8 H% [0 Odeepseek 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。
% P7 {4 l. b2 U+ ]6 L) m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。
, h- {* Z1 {( C6 ]3 }
API到目前为止，差强人意，不如网页版本修得干净。
3 C( i& [8 c+ Y( z$ ], R' P& X
+ {5 `8 \; s6 Q- Fdeepseek可以同时开四个。
' R3 z6 I7 h( i

三力思

- A+ ^) v- E3 k; \$ M, q& V
* y( p7 q5 G6 k8 _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
- E/ h2 D5 c3 V* p+ E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 ...

$ ]3 g/ i2 S- i0 }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。

4 s  Y4 U7 }9 b# ^" m+ c$ ?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

# d. R7 K) y3 ~' y) L: X* y已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
8 m+ F8 f7 l; V6 w+ h
1, python + pypdf 按章节拆分小的PDF
: X+ w4 x  P& P; q: n! Z
; e- z0 Q- t3 [5 x2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
* Y" o% m2 K" q  \2 o# b! a* M# l
得到text file
" Q9 ^! j- ]6 U! H- C! p) \
3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
2 M' b' w* x7 C  w3 F1 a
max_tokens 最大是 8192，别的不用改。
! C: X8 i) |* B
参考：
https://api-docs.deepseek.com/api/create-chat-completion

* W- Z# r* L) U* I& A4，费用：

实测：

6 z5 j$ I5 y8 ]! h9 q2 ]296K 字母，用了 9 美分。

1 h& H/ S# L9 K# G0 E, m英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

) Z, J1 d0 M  A: ?, K  z% ]: \32899 个字母花费 11782 tokens，包含输入输出的 tokens

. w. r$ N7 v% D) U+ f. X, W8 b* k价钱，非常非常便宜了。

, I. i9 U& z/ S  F' s+ B& b参考如下可以计算，懒得算了。

- ~$ ~5 B  [1 v: Y/ [3 U- t' vhttps://api-docs.deepseek.com/quick_start/pricing
& B7 w5 w7 F( s" E
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

( R# _5 j5 W- t# J9 q& h5, Balance

6 h& }0 K% b5 v/ g$ M  I% t可以在程序里调用，知道每次运行结束后，balance还剩多少。
8 A* k9 [& N2 w' w0 k1 @: u参考：
https://api-docs.deepseek.com/api/get-user-balance
9 a+ P, W4 ^  k( x! S/ M8 t
, G+ ?% V/ Q" j# N* l) ]! A6, Models

目前就两个
# deepseek-chat
+ ]0 H6 k" I/ `' s9 {. h! M2 ^1 ]# deepseek-reasoner

6 u6 V& b0 I7 Z: G: F" p参考：
8 n" V3 j, C0 U) Qhttps://api-docs.deepseek.com/api/list-models
7 N* Y7 B4 ~4 r
- b! Q4 s4 `+ b
8 t; Z' p6 ?# a4 W. D& X0 R7, 问题
1 `# G8 W$ s/ f, L+ H. L) L, ]0 g
# _1 }/ ^- S1 _8 ^; 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。
/ [' X& S. x7 N( y& o# B6 }! R
, }7 T# s2 d* U2 e8, 钱说了算。

) Z0 r" B6 B) h: Q9 ydeepseek 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。
1 \# U% O  Z: u' S但是API就不会出现这种情况，毕竟我们给钱了。
2 v- P5 \; S$ y7 h; E. d  b4 lchatgpt也是这样的。


2 H2 q* X7 s1 [, \% u/ ^7 J