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。
3 ]2 {, C- |* w然后deepseek完美的完成了任务。
' @) ]$ Q: [* n- b9 D( B# {段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
4 c  H  S  s0 [- H( k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！
4 K) g8 k8 g, `* w; ]- g====
中文也很完美。
: b1 l9 I7 Q. o2 t经验值，每次十页比较稳定。
. Q: }* O& f( U+ V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。
5 ~$ M8 r8 z  t7 X+ U( A6 Q====
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。
1 {1 |) F3 i% B8 n. i# ?' L====
' c; J! S) F4 N/ c1 `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。
====
* \# p7 D: r# T$ V3 \  b9 ?3 b- k好吧，有些东西是不给翻译的，哈哈。

1 F6 ]3 k4 s9 ^5 x- I" dSorry, 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。
====
/ C" i  U/ X* i6 n6 K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。
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。
- t9 a  P6 X3 G6 ~( n9 p1 Ehttps://chat.qwenlm.ai/
====
3 J" p6 `- |) r) H6 d* v6 c( zDeepseek，API 看上去可用了，但是不给充钱。
  J4 }! L( S0 l* }* C
# T7 t/ h% F' y8 G8 ~* f0 n0 {
3 b7 L7 M7 s' F" u4 K

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
+ \  M2 h0 n: X% e( }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

+ m/ {7 A  C, K# ^. g4 \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

1 j# p4 H; A7 w- O9 M! r
0 o$ z+ n4 M2 z  o$ I, x以后让deepseek 读出土的竹简

% v, o/ ~4 X" s, j还有把古文翻译成现代白话
% ]; f7 q) s. D" i3 z
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？

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 \8 z6 f) s& ?* v请教是如何实现的？
9 Q* u% K4 ~% j2 L
8 Z9 M3 }6 h" I/ E. S  T1 ]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 Q; m8 N: s/ w  I6 @- E$ M% ?
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。
: e3 d- `  N2 V  Q: D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。
8 V" `' G; f' a# h2 T8 M

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？
1 I& X( t5 w0 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 ...

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。
6 s% i; ^& i' v- ]. @8 Y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。
0 Z! q2 {1 W/ p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。
2 D: [! a  w3 J; _" \8 {8 b8 G& \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”。

https://github.com/oomol-lab/pdf-craft

% Z3 _" G" P' W9 Q& e6 _: _8 }- o1. 这个工具要求装 python3.10
4 p8 z% }# u6 h2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
1 W; O) m0 Y3 R) t/ h- S) [3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

0 {1 d8 ?' W. w/ t$ j

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   0 E: Q* t* l  j4 N5 J4 ~; P8 b( }
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:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

  R' c& x/ u4 a
8 T- R8 ]& s: I要修改的内容：
8 Z2 |1 [4 e: o1 p& q" g2 M4.1 /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

5. 运行 python3 a.py

nanimarcus

) t8 J  s: t0 p2 G& A
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。
  A7 V3 G0 W) e& a* L" k5 \. ?5 R- T% J效果非常好。

3 J4 x* ^3 o2 U% i/ |, `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。
7 T8 A5 F; B" P9 ?' h2 L% X1 s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。
0 T- k, j: T' [2 M' }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。

* z4 c, {( T& Y- \! ^& I/ a5 Udeepseek可以同时开四个。
# @, e6 I& J$ u; a! [% o9 J, `

三力思

( Q  r/ V9 w! g8 Z; @
/ ^. E+ @' g. [, i8 I9 _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
1 @/ Y  F6 i. H2 B9 n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
& ]8 F; S. B$ a. L/ Z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

! L6 f& W- f# ^2 G& _! P
/ T4 g$ x# l0 Y1 G4 j已经搞定.

首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。

9 q2 g7 i% n& b5 b5 s& i1, python + pypdf 按章节拆分小的PDF
/ n4 f! v9 n7 i  H4 h
3 [! z0 C/ `( L7 R3 ^2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

! I2 L; W6 |* L; N% N5 ^6 X得到text file
8 a4 U) y0 S5 w# K5 m1 M( x% o
3, python 读取整个outputfile，丢给deepseek 矫正。

& w; R6 N- t" z. t9 v模型是 deepseek-chat
1 \* O( M% o# p! R$ a5 X7 ]- @
  k0 c9 b# x# V8 J( @& P$ Nmax_tokens 最大是 8192，别的不用改。
) o* P1 X0 F5 n1 `9 ~1 t
6 I, w7 [# Q9 c5 J参考：
  R+ n! U* ~& fhttps://api-docs.deepseek.com/api/create-chat-completion

0 y% S# x$ |- G' \4，费用：

* Z/ F# r  y( ]8 Y9 s. p( @实测：

296K 字母，用了 9 美分。
9 S, H1 o8 F2 T1 z, e$ ^
英文字母 到 token 用量大约 1/3

3 b8 H2 p" X/ F( o5 `5 \! i* `tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
( W# K! ^: x7 d( a' ?. E! H" {
' z0 J; D( P% @+ s0 t# h6 D+ V32899 个字母花费 11782 tokens，包含输入输出的 tokens

( s7 `; W/ z  f价钱，非常非常便宜了。

$ j% u4 M( F0 Q; ^. d参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
" |# D% U, Z3 G& A# \7 ^/ r9 f2 }
1 H3 E! ^9 i  A5 M6 W" o' Z1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
6 |4 d& W& H3 r7 Y2 a7 J1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

" T3 }6 T# ?# T+ l" Y3 @1 [% E3 {, z5, Balance
+ u  g! d: ?5 t4 u! K& {
! _& {5 Z" g& T( H. u1 W可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
. t3 x6 v' f, Ihttps://api-docs.deepseek.com/api/get-user-balance

6, Models
8 e) i; R5 t1 g1 q7 M! B( M
目前就两个
# deepseek-chat
, S7 p1 H  j  l0 i- a" j+ I  N* o# deepseek-reasoner
9 A2 V2 z, \6 F- y1 ?3 o2 Q2 w
7 J% d. T: x0 u! o参考：
. y0 ?) P; u" S9 _9 y. Xhttps://api-docs.deepseek.com/api/list-models
8 Q" z9 G7 [0 W% |( ^8 Z( d* J

7, 问题

deepseek 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。

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。
' G& {) u% }. C0 R! F" @但是API就不会出现这种情况，毕竟我们给钱了。
& ?! \2 p" r6 b" X5 J) Jchatgpt也是这样的。


) V. ]6 A+ \; S4 t+ A