利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

把PDF上传，然后让他抓取文字，并修改可能的错误。
% L8 z- s5 ~0 M! @0 G4 W% N, q5 X$ |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。
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！
: P6 q# a4 W/ `+ _7 n====
中文也很完美。
7 I  s$ B6 \0 T% E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。
====
+ l0 Z. y9 }' ]( 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。
" U4 ~) F. K( B; p) V, n====
0 \1 W, R. g  m" H1 ~2 f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。
  f1 ?4 P# H! Y/ d; L7 T' G. E9 R: W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。
5 x/ `# Z& l8 B# k0 |====
  C8 j3 n" D5 V# 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。
* h- p2 {: U+ I, u====
/ I! Z7 e* f; P% h6 @  d0 h好吧，有些东西是不给翻译的，哈哈。

  E, A+ A! {/ V5 B8 [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。
1 W6 d+ H6 o. k9 P====
, }: @. C/ `1 K, i+ i7 o; N0 {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。
====
时间段的话，北京时间的下午和晚上用比较好。
6 _) ]% x7 n: L+ F7 ?$ L2 ?* ^% Z后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
====
用千问吧，非常稳定，非常强大。
5 p' T( `8 f/ v- a6 V% O( Jhttps://chat.qwenlm.ai/
/ h1 P1 J8 }$ i  m====
Deepseek，API 看上去可用了，但是不给充钱。

& L5 ]  k0 F' x

2 @( H" `# U5 `* X

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

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

9 V6 Z& z% l1 h9 f& U以后让deepseek 读出土的竹简

还有把古文翻译成现代白话
. V8 c6 j0 q- x& D# j- 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？
8 _% O  k) Z9 X4 @  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，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？
. \# u4 z; m( U* Y+ H
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。
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。
: T$ i! h6 `: S* q& i  \3 ^

nanimarcus

方恨少 发表于 2025-2-3 01:23
0 o4 t( A: x9 l6 R! R  Y; E" q9 L" u请教是如何实现的？
/ H1 W9 z- ]. K! x  g
. m2 {2 ^0 u5 l. S) L( Q- 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 ...

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。
$ ?; W& \8 s% p3 P; C/ S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。
: ~! L6 g  E8 _' X- S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。
$ O+ E* b% b0 k! B/ @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”。

: E& S9 F* @; W4 E/ z. C2 a7 Xhttps://github.com/oomol-lab/pdf-craft
1 S1 d2 v) Z. s! q5 ~2 D& q
. O+ H( B8 a& }  m1. 这个工具要求装 python3.10
# k' I4 E! ~, r! j$ w2 p: ^2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
; r; S1 C% s6 f% x5 v. l. ~3. pip install pdf-craft
% R. Y  e  m5 j9 v( D! i$ q4. 把下面的内容写到一个文件里，例如 a.py

, O( I9 a. ]$ r' z

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   8 n& A" r4 f, y+ d5 c) A
2. 
   . p( @. H1 Z: ^* b
3. extractor = PDFPageExtractor(
   7 T- o4 O$ V0 t. Z7 \  I5 {
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   3 f7 b2 v3 f$ V( w: v5 W  j
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   : o2 S8 c. E1 L% T* [2 S; B3 I! z
6. )
   
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   - S, d4 o- d4 Y5 c" u
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   , I% P) v& k3 Z( o: o
9.     md.write(block)

复制代码

+ }0 a2 x0 U" o
2 D# f9 @0 \/ M; w+ z* g/ A要修改的内容：
# i4 N) }# I; r" T6 f  @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
; w& T* R6 }' ]/ F4.3 /path/to/pdf/file: 输入的源PDF路径文件名

5. 运行 python3 a.py

nanimarcus

7 n' V4 I" |6 h: r$ {, b& X% w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。
然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。

deepseek，qwen，chatgpt 三个，deepseek是最好的。
  R8 [$ `; u) m) u% o
2 z# I- [' e( t' \) ^) f& l: Hdeepseek 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。
. X+ q1 |; B6 m我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

4 {" l# ~9 |) q1 }7 C" `API到目前为止，差强人意，不如网页版本修得干净。

/ W$ u8 N' F# @7 b4 Y' U8 j9 t  }" Udeepseek可以同时开四个。
6 p0 Q; j! J" `" {: s

三力思

  j( K! _/ L8 h$ C
( ~9 l- e0 M2 R$ d8 ~5 {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
3 W4 A; R" P: y/ M! u/ o4 ]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 ...

* c! k* j- |, c- X$ O8 p5 W细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
, w1 T, a6 E/ V: |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

已经搞定.
8 e( U5 J9 d$ b2 y7 W
6 O4 C/ s7 m! T$ D8 z& W; m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 L7 d( Z( D2 j1 ]+ n/ B- o) o+ H
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
& ~) d0 o! o8 a
得到text file
4 S+ r! Q0 S3 ~
% E8 Z2 G" a: |  o) V3, python 读取整个outputfile，丢给deepseek 矫正。

8 t8 G% O- s$ O, J0 N1 O8 A% m模型是 deepseek-chat

/ u# G$ g  B$ j( ymax_tokens 最大是 8192，别的不用改。
3 Q/ C0 W$ b# M3 g" v3 _
参考：
https://api-docs.deepseek.com/api/create-chat-completion
! ]: N7 [8 V. J, J' {" v
4，费用：

实测：
' _. F9 j5 b9 d4 M
. a# ]; Y) U2 M+ z296K 字母，用了 9 美分。
1 ~$ n3 u1 \7 W1 J( o& {
英文字母 到 token 用量大约 1/3
! a! Y9 u. m4 Q/ |6 N+ v
* f4 ^7 K5 H( n0 s( y* P4 ttokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
1 U. e% @/ ^( C3 n* n+ b1 B! f3 [( r
9 z6 ]4 |& C& G1 P  @32899 个字母花费 11782 tokens，包含输入输出的 tokens

; n) o" }" V& j# P% u7 r价钱，非常非常便宜了。

" `4 L! t- }) \6 j% {参考如下可以计算，懒得算了。
- B: i6 K8 a  A/ p# A: c
https://api-docs.deepseek.com/quick_start/pricing

: S5 \: y. P# e5 D( r1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
9 J  S5 z* z0 t2 `' D4 l$ H1M TOKENS OUTPUT(5)                                              $1.10                $2.19
+ Z7 R" v4 v6 A/ Z: k8 C" j" j
4 a7 ^# p# S- l5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
" [9 |" ^8 ?1 c3 O参考：
" P8 {9 y5 S2 w8 i% f2 ?https://api-docs.deepseek.com/api/get-user-balance
8 G1 A$ ^* Y$ ~( {* w9 C2 P+ a& d
8 ?- T- C" I8 z3 j, ^: |6, Models
* T5 d; }9 T* v  V2 [' I( Y
目前就两个
. A! f; B) }1 m1 d* P, G# deepseek-chat
- l2 C' D% \( w# deepseek-reasoner

参考：
7 H5 d2 D* h& Z) o* e2 I/ s3 |* P4 lhttps://api-docs.deepseek.com/api/list-models

) l& U' |, _/ G- M: B
7, 问题

0 c3 h& ?3 N3 |7 }- E) n- Ndeepseek 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。
0 ?# J. V+ y2 s9 O( y. {
8, 钱说了算。
0 Q. U7 e: i4 i$ V3 y
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。
+ h; Y* d8 F! z+ I0 M8 f9 L. N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。

9 q8 t: j3 o' V9 \6 z  A$ D7 [2 T. m