利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

  B" e& S3 D; \: x( i2 T2 ^
5 v$ I* H, M  z- M$ b, x! X把PDF上传，然后让他抓取文字，并修改可能的错误。
+ `$ j6 J/ ~4 N然后deepseek完美的完成了任务。
9 V# ]) d6 n, V0 g段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
+ }* a+ k. [" G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！
# e& V; [) W5 |' k  Q. L====
8 b, R2 p* @- y. Y6 I- i, u中文也很完美。
4 j' C5 p4 _2 s" e. C6 n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！
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。
* a! \& |$ G! L$ ^9 {" y$ I====
: N% U. r! G  D$ o& U; 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。
但是任务多了后，每次翻译的页面数是减少的。
4 a8 ~- ?, M& r* q1 e好吧，我五体投地，继续探索。
: _; u/ |' _: G  Z3 `====
! j* @( B, \! r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。
- ~# d- E2 P" w6 b7 I  I====
9 @5 ^1 Q& g; [' I! E0 ]% ^) @* x好吧，有些东西是不给翻译的，哈哈。
5 }* X* `0 j( E0 J! U" ^; q
Sorry, that's beyond my current scope. Let’s talk about something else.
====
' L! `- r- U9 v* U. Q- O5 p然后我的英文命令也让deepseek 帮我修改，呵呵。
5 D; v7 O0 B, R; R3 M1 M4 s====
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。
====
. f6 M, `5 X2 p* x  O时间段的话，北京时间的下午和晚上用比较好。
2 P  q# Z0 D8 y0 a后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
$ p  N& |6 o7 r- d& E& y; y====
% }  b; R2 [0 ~5 d用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
% Z, M, Q* R2 G4 W, QDeepseek，API 看上去可用了，但是不给充钱。



! s% @7 v& u9 i. S4 ?( {! ]

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
' P& F- I! N6 _1 u/ g1 o这功能很赞呀

$ J1 Z. q: G- q  M2 s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
# o0 h* C9 g# l" w6 {; m3 \有没有上传整本书试试

$ W2 G+ o6 |( C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

, ^; h+ {' y: t6 K* S
0 Y6 Q6 F! B8 D  [以后让deepseek 读出土的竹简
9 A0 C/ l* B" q( Q! V
还有把古文翻译成现代白话

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？
  \! o0 I: A' m  m  _& y' 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
3 x- d; d2 Y6 v6 v请教是如何实现的？

- g5 T+ o: F3 f+ ]( \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 ...

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。
/ v1 a7 P0 G7 M7 e+ A! c! L* b0 ?文字之类的没问题。估计deepseek现在暂时只保证主要功能。
# o0 [- i+ f4 m6 v" v# E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。
* J3 P+ d8 s9 Z6 P6 s# d5 C

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

9 ^1 u* s7 a5 t6 p! K. f0 u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/
' k2 @  l% J+ E试一下千问，估计美国人没有攻击他，所以资源敞开用。
# k  ^$ h, a) l/ t. L) R! q8 q很稳定，质量不错，好像最多一次处理15页。
; ^# E! M) w2 h% x/ \" t  `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”。
! b' }0 R* y! L/ ^' Q1 r# I$ M
# D8 ^. t" ?3 Q- m* W) P5 Z! p" ghttps://github.com/oomol-lab/pdf-craft

" U1 M; N! D3 q7 x4 p: V- u1 t+ j1. 这个工具要求装 python3.10
, I% `- l4 k/ X0 _; L2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3 V$ R; b/ N/ t3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   / Q. F3 f% s, y* U$ w
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ( [" P7 O' J3 _( E* L
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   + {5 V/ s* j8 Q) F8 T$ S& H
6. )
   - W3 |# {# J* a+ W8 _
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   % X- R$ N3 P9 S4 Y$ j, [$ D
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   " W/ Z" z# r: g# F; f
9.     md.write(block)

复制代码

; v9 b5 L' T: B9 W" z! A: n
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
. q! m" b% i" S3 D7 a4.2 markdown_path：输出的 markdown 路径文件名
7 T0 C% b4 U: s6 c6 }: Y/ f9 k4.3 /path/to/pdf/file: 输入的源PDF路径文件名
  l; v4 E0 d3 E
5. 运行 python3 a.py

nanimarcus

% R" ^  _6 j0 ~( 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。
/ Z' L: a4 m+ E+ g8 w; ^7 P: r然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
! K# e7 E4 p1 ~
3 m0 j& q& l3 R+ y' f9 p1 [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。
我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
  M/ K. J! @; }
API到目前为止，差强人意，不如网页版本修得干净。

' p! l) r6 z3 u5 x6 h, ~deepseek可以同时开四个。

三力思

# L3 D; I: `! d
' M" B$ |7 s& Z4 h! l- H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
! L/ K. p) A* l! N% h( n2 J6 }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。

( ?1 k' W* I, b6 ^- A* M4 D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

& \! f. L5 a  _9 a7 C! d
7 i+ C& N  o) }1 O( q已经搞定.
0 ]5 `! ]8 s+ @0 o' c' p$ Y
4 e. Z8 I" [* ?! w+ h1 K" c1 J7 g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

6 J- i2 X# ]9 G* q, n$ B- C7 c* T2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
- a" X1 B0 ?2 ?- L4 P0 m9 i
得到text file
. R- Q) w4 T* X( E9 h/ n; A
8 K  z  X" v/ z1 t6 t  t! n3, python 读取整个outputfile，丢给deepseek 矫正。
8 S+ P4 _) }0 H& m
模型是 deepseek-chat
% y! D7 ~' }5 V
1 n& n5 s- I3 _- f+ ]max_tokens 最大是 8192，别的不用改。

参考：
! V  G, R: ^% n9 [! D0 lhttps://api-docs.deepseek.com/api/create-chat-completion
2 M2 T; w2 d1 r( k8 H, L3 y: z
, S6 E2 M' z/ E0 s4，费用：

; D, G$ u! p4 A' \$ `) B实测：
  z/ Q# b2 M' I  i1 C9 M
/ i( H# u# s" x8 {5 W& q- a3 K* m' U296K 字母，用了 9 美分。
; c. C$ R# E# B+ }
英文字母 到 token 用量大约 1/3
1 `7 ]$ J1 p4 G+ u
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

* N6 f( h  e2 X  Y32899 个字母花费 11782 tokens，包含输入输出的 tokens
& s* _# H* w* C" S" \2 _: U5 D4 }
- ~8 ~/ N3 [  G# v" {价钱，非常非常便宜了。
+ z. d" i( p# O! N' @2 X
参考如下可以计算，懒得算了。
/ G( p$ A4 f7 u+ `% X& q- x( A. T! g( Z
( q9 h1 q2 j" h; _https://api-docs.deepseek.com/quick_start/pricing
& D, Q8 e& o1 j) e2 ^9 c
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
( ]( P# M, h* j2 W4 X1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
( Z. q1 t2 d) r" ^3 }3 a/ p1M TOKENS OUTPUT(5)                                              $1.10                $2.19
7 Z! Y- a# `- X% J
  P5 H; `% O9 z, x9 Q' H7 P5, 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：
) o  t/ }& ]; o$ a2 ^https://api-docs.deepseek.com/api/get-user-balance
1 F6 ^4 |. u2 J; {
$ m- Y" d$ ]( g* `3 R' i, K6, Models

目前就两个
# deepseek-chat
# deepseek-reasoner
( z: ~3 G* c3 y, V- r: i
参考：
' g! Y  m0 q6 m/ O4 c/ \- chttps://api-docs.deepseek.com/api/list-models
9 S1 k# a8 K9 T  `4 R* r. W
/ }1 y) t' K( K4 G% I! S
: D6 `) F. ^6 h0 E0 ?$ ^# f7, 问题
' n& Z& i$ s% h/ _8 f9 E2 V; k. q
8 j6 R+ I8 j" P- i/ Mdeepseek 会将前后两段合成一段。
! B/ [& m8 s, F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。
: A4 U9 x6 M+ Q1 A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。