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。
7 V( U& `7 m; b) G, L# @9 Z9 N4 n( J7 V然后deepseek完美的完成了任务。
& H6 f) O$ `. j; k段落清楚，列清楚，页眉页脚全部去掉。
我要疯掉了！
3 o" @9 E3 D% q* i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！
====
( f) C+ x; B8 {8 b1 C3 |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。
" Y9 D9 g/ e) U. ]7 x! D====
: O0 u1 F" a+ j! s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。
) C+ o2 b% M6 |, b1 r3 v====
& o2 _& E: S0 I1 Y9 K3 Z) x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。
/ Y/ g7 w2 N) q0 F+ @====
$ T7 O2 {; S% H' E' R8 i0 G4 s  I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。
====
好吧，有些东西是不给翻译的，哈哈。
3 [+ a# ?) X8 s- t- `  |& v
/ v7 _# R. U. a% @* tSorry, that's beyond my current scope. Let’s talk about something else.
====
% I, e: t2 s3 L& |7 P& J然后我的英文命令也让deepseek 帮我修改，呵呵。
====
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。
0 t1 L8 }0 G) w4 E' T4 D====
: O! n/ {8 a8 A& R时间段的话，北京时间的下午和晚上用比较好。
" a" L( R6 b& p. Y! {后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
! ^1 E, S1 Y' q8 z/ j* H, t====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
4 h9 U' A8 m! S9 G9 i====
9 k5 g7 U9 H6 R, pDeepseek，API 看上去可用了，但是不给充钱。

1 C8 e) T' T0 T3 M1 a) P

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
& y5 G  o% V0 l. \6 L1 ^% O这功能很赞呀

) ]  N. y4 G: I* E; g  W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

0 N( J9 V" E% N+ e- `
4 X! C. C" ]- m- G5 f8 K以后让deepseek 读出土的竹简
$ O$ T1 p( i& ~+ B
还有把古文翻译成现代白话
9 v: s& v6 P& s* T- t2 H
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& s# u' r  s& S! n# g4 a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？
6 o- j; {- m9 `- K+ v/ t
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 ...

! g7 P  ?; D; X" N
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。
# n& o! Q+ b* i! P9 q

nanimarcus

方恨少 发表于 2025-2-3 01:23
4 U8 K( x$ x1 H$ e6 N请教是如何实现的？
$ A/ f/ ], m* w* 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 ...

3 V$ ^  J; v2 G: k( b6 ghttps://chat.qwenlm.ai/
8 t! w+ m; F0 ?3 t- v7 U试一下千问，估计美国人没有攻击他，所以资源敞开用。
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。
+ {$ N. W: O7 U* k! C6 |) i: T: `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。
* X# A$ j2 D$ z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”。
0 m9 [. ]: Z& R
# G' o  W: K8 p# I9 I  Lhttps://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
( e" {" S! [% A- L2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
' ]* m% F9 Z$ I6 _1 C( h0 P4 J( j4. 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.
   
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"):
   ) c+ X$ u+ p$ S/ a! {
9.     md.write(block)

复制代码

. F; T: P  R  Y0 k
要修改的内容：
, k9 p& ?% L3 x. K. S4.1 /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* a0 X* M$ M% u3 a4.2 markdown_path：输出的 markdown 路径文件名
, d7 ^  d9 L: g" t/ x4.3 /path/to/pdf/file: 输入的源PDF路径文件名

  C: X3 _3 m* p+ P" |; `. a' M2 [5. 运行 python3 a.py

nanimarcus

' J" c' n/ I& T+ k7 A- a
7 P' {9 _' Y/ {  G' G0 N目前为止PDF转纯文字的最佳办法。
; ~, a8 {: J' E, ^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。
. \8 B# a  j/ J" O
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。
' D9 F  @4 s% S9 Q/ f
# o& y0 Y  H$ o  R$ T$ F" ^" t3 AAPI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。
; m. Q& J0 u$ Z  _

三力思

+ U6 r% l+ n* f7 d; N/ q: Q0 T$ {
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。

" a1 b$ b* a% ]# V% b" i2 L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.
" d$ ]- s/ d' S4 C+ d
首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
2 U, a& L6 n/ j; W( A' E
1, python + pypdf 按章节拆分小的PDF
" j7 x' e: z+ ~8 \
% j' }) e# ?& O2 u$ \4 ?4 x8 F2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file
  l3 h6 B5 o* w
3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat
1 @  d+ z( P) b0 M  @; q. `
max_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion
' ^; \+ x6 L  |" z( U) L" X
. Y8 b% m+ e6 {: B2 C  S+ y" R4，费用：

实测：

296K 字母，用了 9 美分。
' H8 ^3 e( N* u
. p; V. _  W' C英文字母 到 token 用量大约 1/3
: k: s6 S- L/ U* r* `
6 X6 u* l# I6 a2 @- [) 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
6 G  Y% L1 l1 H# D1 ^8 m( O
& N" q  j  }8 ^4 c% U, f& T8 e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
: o2 o# J+ o+ d) A
7 V% g: k5 e9 g6 t5 y2 ?1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
, L: z6 X$ j( n. E5 ?# ?* x- L5 |1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
! f6 e! Q2 q7 r1 @% x1M TOKENS OUTPUT(5)                                              $1.10                $2.19

5, Balance

. ~0 g* c& [& Z* |5 R% _# r& X可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
: ^; p+ q4 `9 V, Ahttps://api-docs.deepseek.com/api/get-user-balance
# d/ E3 \+ {4 D. T+ w
' }) ?: J$ M; Z5 f) R6, Models
  Y/ G  |; d, {% ~6 Z
目前就两个
; d2 o% d" I9 Y7 O4 L( F+ ?+ G4 V# deepseek-chat
# deepseek-reasoner
# q; p# x' n4 A' Q
+ c- m) w5 f8 m6 K参考：
7 g+ t0 C/ B  shttps://api-docs.deepseek.com/api/list-models


7, 问题
, e+ I1 _9 w+ _# z/ |- Z
deepseek 会将前后两段合成一段。
+ T2 G  f' q3 Z7 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。
/ R1 r4 y, w/ A8 \: S: D
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。
4 Q1 R. v1 x- J! g; q1 i但是API就不会出现这种情况，毕竟我们给钱了。
9 w( P1 l; x/ i$ Y) @0 e4 ochatgpt也是这样的。


! ]( ^# S/ M& d) D3 W