利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

" @+ L0 V9 w* ~) @- m7 W! E5 e& Y把PDF上传，然后让他抓取文字，并修改可能的错误。
! t! [/ U$ `+ q% r. q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！
: C+ V* \. ]+ {* \0 l) F9 `====
+ U8 i) ^5 \5 I! G- @中文也很完美。
经验值，每次十页比较稳定。
7 i  C0 v0 L0 S- q9 }4 U% r2 n7 t现在我这里API还不能用，等恢复了，全自动了。
====
$ F* C1 m& l! e0 n第二次疯掉了！
5 u* a9 Q4 Z; 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。
: {+ B* P1 G  B0 `5 p: `- a/ T. B====
) n0 Y/ _9 j" a) o8 J! a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。
====
; h: d, U: r4 \% f6 x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。
====
; u, M* p  g$ L+ N7 v好吧，有些东西是不给翻译的，哈哈。
0 w1 w, X! i$ D/ J
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。
====
- U  c5 b: |2 i8 w! \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。
====
( S) t& c& A6 r0 h时间段的话，北京时间的下午和晚上用比较好。
% K. K0 A6 T' G! I7 u2 l后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
7 m) E9 m" E, H5 l====
用千问吧，非常稳定，非常强大。
. t7 Z, X9 q! ?4 ]" C" u$ q  xhttps://chat.qwenlm.ai/
====
. K6 G8 @/ m# Q( ?1 c8 sDeepseek，API 看上去可用了，但是不给充钱。
  b& Q0 C2 V9 g: R! q


) i# C9 N' t$ Y+ g' x' G0 @9 b

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

3 F6 C' G. L7 e, k, ?  m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

7 u) ?0 m& h9 e2 J  D1 m
) a# \$ U" u* u- I以后让deepseek 读出土的竹简
; t- l/ Y9 Y* Y# Z: l: Q# z
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？
* g% c0 C" x; ^( @# j
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
. ]8 U% \9 W$ |! {请教是如何实现的？
) J0 L& a- }  Y, G5 i% o+ u
& n$ Q5 z8 l7 b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 ...

! Q1 X4 v( b" r5 o' A
2 U3 i5 A% N1 o2 C" o- 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。
/ h# @- E2 f9 e/ a" e7 e4 l文字之类的没问题。估计deepseek现在暂时只保证主要功能。
$ A1 \+ D, v, M( G  [$ t; \, z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
8 b* |5 a2 m/ T' M$ k请教是如何实现的？
$ X9 F- [( ~9 `( I7 t0 q
! W4 ]0 G3 h+ }8 S' v( ]0 \+ n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。
. A; B% R. b  {3 k* l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”。

% B' c2 B$ }& E! U5 f  j/ p, [) ]https://github.com/oomol-lab/pdf-craft

9 z$ l4 l$ z5 H* f1. 这个工具要求装 python3.10
1 P/ J) }7 p- z- a, P2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
& j- g6 F8 @! h3. pip install pdf-craft
: ]8 ]( x4 G& J' A- w- z, M4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   & e1 p1 @2 }  O: ~4 S- ~
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   3 x! H1 c& T! H, \9 I
6. )
   ! X9 y( E: O3 H% \( H" c- W$ n
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   8 D: y9 G1 R2 ^2 A
9.     md.write(block)

复制代码

$ M6 r" i' X# x
要修改的内容：
* R8 S/ ?/ k0 X# m! }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
$ |% x/ b% S1 X+ t" b" f4.3 /path/to/pdf/file: 输入的源PDF路径文件名

* c" X) Q- x; X7 g5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
6 z* _, L! Y+ w7 `' d' o" p# ~先写个小程序，把PDF按章节切成小的PDF。
& Z" e4 l# X" c+ u! _2 }, r+ P8 t然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
' k8 O  v) B& n0 d效果非常好。

0 O. u6 w8 Z, N4 gdeepseek，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。

API到目前为止，差强人意，不如网页版本修得干净。

% B- u% q2 ?6 m2 P* Z% d9 ~) S2 }! F6 rdeepseek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 ...

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。

. s# Z( ]/ G1 Q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

: e9 J, W  C: }$ j+ I
  F% V2 C4 l! u9 x9 j2 W2 `已经搞定.

* {9 B) b5 Z. R$ i0 P' s首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

" f6 E( K9 [" o5 l2 V# i1, python + pypdf 按章节拆分小的PDF
# l$ F( ^: `/ L0 C
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

0 c4 u  I& c  H, Q! m得到text file

. D: q+ I: K' U/ h+ @6 J3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

) R$ B" S$ o2 Q5 m  V: _/ r% smax_tokens 最大是 8192，别的不用改。
( U5 h- J& [/ W( `& u& O5 A
参考：
https://api-docs.deepseek.com/api/create-chat-completion

) P4 E0 q2 P$ U/ M$ ^4，费用：

实测：

- U: z6 n! G4 C6 i8 p296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
  X3 }7 k2 T) E, P) h! e0 O* n, p
- N6 c# j9 d& f0 B$ t% G3 d5 ], M+ ~0 d# htokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

32899 个字母花费 11782 tokens，包含输入输出的 tokens
  G# v: t. i8 ]# M
* A. P0 G3 s* T. f) X价钱，非常非常便宜了。

+ `# B: P: I& J. n参考如下可以计算，懒得算了。
4 q# e+ e+ P# _9 N7 H, e( G
https://api-docs.deepseek.com/quick_start/pricing

; S9 N4 N2 q" Z, S5 p, f) ], P: f! o1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
; o% W" D, x* t6 d0 f1 e1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
$ N# y2 K1 k6 z- A1 @1M TOKENS OUTPUT(5)                                              $1.10                $2.19
/ k( a' m- d! j
0 b0 ]: Z* \* H% y8 E- r5 r5, Balance
. h: @5 Q, A( C! N/ g
可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
5 y0 g$ }/ C9 Lhttps://api-docs.deepseek.com/api/get-user-balance
1 U# |  W6 ]6 L# A# j; C4 n8 K7 {
6, Models

目前就两个
& m! `" |+ s- k# M# |# deepseek-chat
! l2 L/ D  }- x0 z# deepseek-reasoner

参考：
/ X0 Y+ V2 T& l8 F8 E5 |4 l% ]) Fhttps://api-docs.deepseek.com/api/list-models

9 f" \6 \' k" n3 P& |
7, 问题
: H! p! ~! V* N* T# J2 M: B
- }, J2 n, X4 jdeepseek 会将前后两段合成一段。
5 i- O' L/ W1 _特别是那种大量的对话的段落，deepseek会给你合成一大段。
! ?2 Z) m8 E, b9 {# l6 v
8, 钱说了算。

0 m) |8 G9 j% q7 ]1 l; y, Ideepseek 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。
chatgpt也是这样的。
% l0 P' L" I' X( }

' D5 @, K. q4 i' a4 g  }( \$ F+ ?