利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

+ v% T7 F# H! l% I7 W
% Y# N% U/ l) w% m+ P, K" S把PDF上传，然后让他抓取文字，并修改可能的错误。
1 r) ^6 s+ I5 N然后deepseek完美的完成了任务。
) n9 o! X5 N! p8 i& ~; j* L$ }% k* A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！
====
5 z& l, d0 D$ s- j# G+ r中文也很完美。
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。
% o; c" L8 a6 f' V====
第二次疯掉了！
( x* [8 ?: ^" {* l- a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。
9 a( U; W. D5 D$ n! b# y好吧，我五体投地，继续探索。
====
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。
/ z6 G9 X# v" Y. ~' ~====
/ y2 J7 w, P# E3 |" X& e好吧，有些东西是不给翻译的，哈哈。

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 [; z  W' C2 d$ p4 O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。
( P* ?+ u& ^/ p: Y4 }$ c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。
https://chat.qwenlm.ai/
* y  C. G) k* M9 P+ G8 w$ b====
Deepseek，API 看上去可用了，但是不给充钱。

; h# `3 o/ [8 n8 q
# z. R" q9 a, ^/ F

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
$ Z2 U6 h, B# F' J" j这功能很赞呀

4 @3 u6 M! g5 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

$ T% _5 D" k+ E1 D5 Q( c; s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

' O$ _, M; t6 _2 t9 A
# T$ X! T$ o. H; O" W+ a6 \以后让deepseek 读出土的竹简
  H" [& `1 E  V7 E6 O- d
还有把古文翻译成现代白话
1 m  Q0 F6 o1 u( R0 Q8 ~, i
! _2 l. x6 i( x/ w! A2 i' W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？
! k! K# U) f+ E
& f4 y) n4 t( }$ 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
( X# h$ C3 |% r( C% u2 t请教是如何实现的？
% }+ N( O! m" z
/ O* `% p& O2 E2 J3 v) D5 Y2 i& S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 ...

( [1 K3 w5 D* C1 l. g' V2 O
& @6 ^: X. O8 ^% U- j( O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。
: k, f8 S, A( V) `

nanimarcus

方恨少 发表于 2025-2-3 01:23
( }6 i6 E. [6 a4 v# v6 F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 ...

https://chat.qwenlm.ai/
" P7 t2 ]$ s7 @2 ^7 {0 L" G9 x试一下千问，估计美国人没有攻击他，所以资源敞开用。
8 G1 e/ Y( A0 U' b$ I& G: c很稳定，质量不错，好像最多一次处理15页。
' R! l. n1 E2 U1 |4 \) B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。
& N, \% m1 j; n+ 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。
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”。
' r/ e7 L5 u$ u
https://github.com/oomol-lab/pdf-craft
1 {6 i3 ~5 R% K& H2 q7 @
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
3. pip install pdf-craft
8 P/ q$ y; N) `. @, R  x4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
     M0 _" I4 _/ R5 Y7 T/ [6 u2 w
2. 
   , ~4 ~; D8 b% X& i, ~
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:
   5 g/ o# [7 U6 [$ q7 g
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

3 }; D' c- a5 h, I要修改的内容：
( U$ G' w0 n6 V2 [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
6 N: J9 @* r: b0 h8 z
- D: H( x4 \/ @5. 运行 python3 a.py

nanimarcus

" F& v0 X) b# f5 o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。
- t  o. ?/ l6 s# T
1 e# t2 J7 |3 ideepseek，qwen，chatgpt 三个，deepseek是最好的。
. B+ n# @# d  ?7 ?
" R# ]# ?  e# R$ [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。

- b: r& R$ v$ N- ]# K# [3 CAPI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

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 ...

- ]$ V; H- m  x% q. x4 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
0 S3 K. T) k* p2 e$ [# C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.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
& e2 `/ J  K7 [$ q5 o: u! B" x
1, python + pypdf 按章节拆分小的PDF

% H9 L  }3 w+ r! F# ^" |/ ^7 C2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
. |% H2 E4 T6 D$ z' A
0 d) f* }5 u: h得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。
5 @1 N0 ~$ i6 e6 P! f
模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
- f6 P0 Z* _) r. C( ?
参考：
https://api-docs.deepseek.com/api/create-chat-completion
4 G7 }5 g; k) h5 ^2 G
( j- M7 p# ?) Q4，费用：

& }; R- S5 A9 D% ^6 t实测：
" o  N$ o' g) M, n8 i; b
296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

& n' ?% a3 O- W- |tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens

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

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

5, Balance

4 Q' ~  c5 M& v9 r可以在程序里调用，知道每次运行结束后，balance还剩多少。
9 l4 V' q5 i& N! \) b& U3 y参考：
https://api-docs.deepseek.com/api/get-user-balance
* ~8 z; ~% u' a, v8 f( b
/ A  J. B0 p1 w6, Models
* ^8 Z. l# A; w) r" R1 N" t6 [
目前就两个
2 C. i9 n- W8 k% K' j6 X# deepseek-chat
% k' r0 [% g9 _- M# deepseek-reasoner

参考：
2 Q' o" o# C. c. ^https://api-docs.deepseek.com/api/list-models


7, 问题

deepseek 会将前后两段合成一段。
; s$ q8 @+ `5 g9 {) }! v特别是那种大量的对话的段落，deepseek会给你合成一大段。
: i1 K; J2 b% h4 g) d
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。
但是API就不会出现这种情况，毕竟我们给钱了。
, K+ W6 r* I, Bchatgpt也是这样的。

1 u: k% [4 e9 }  y4 O9 ?