利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

( f* N0 \: y" y
' w! |" B! U9 i4 y# L把PDF上传，然后让他抓取文字，并修改可能的错误。
% n5 m, x3 w& n: U/ u然后deepseek完美的完成了任务。
3 q8 n# B+ r2 {% L9 a: J5 b7 m; t段落清楚，列清楚，页眉页脚全部去掉。
) L5 _8 L: {# v# C, ?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！
& j! k, L4 C) a% |! s/ o====
. ]$ @! H% t) a8 w2 u- ~中文也很完美。
经验值，每次十页比较稳定。
' n5 ^4 y$ W6 E3 A( {) k; @现在我这里API还不能用，等恢复了，全自动了。
====
第二次疯掉了！
$ J: G1 W/ T4 U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。
4 H2 V( Y. D( g8 J' F: w6 f% u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。
7 L# O- V( R0 v2 ~# C) X) j====
0 n" K$ V5 ^8 R5 @7 w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。
3 `6 o; ?3 j1 L6 g1 D5 c) @====
好吧，有些东西是不给翻译的，哈哈。

* l- C: ~5 Z2 }Sorry, that's beyond my current scope. Let’s talk about something else.
====
5 Y- @$ ?1 w  d! q6 P4 P& s1 I然后我的英文命令也让deepseek 帮我修改，呵呵。
7 E1 Z4 v' D/ `4 ]# a* C====
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。
. N$ h+ n9 \9 y! O* L! j====
6 l( w. W1 ~/ L' u8 a% h+ S7 P时间段的话，北京时间的下午和晚上用比较好。
' ~' i7 B( R$ }& R! \" R后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
6 d  k, R8 c% U6 k  E2 d" d* w: Z====
用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
& }) z' D5 j( `Deepseek，API 看上去可用了，但是不给充钱。
+ `9 e% U/ v! E' z

! z* B7 r6 d# I# \/ E+ Z
) @1 l3 y7 a8 u

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

2 X5 l- t$ v) Q* A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

! g$ G' f% J6 f以后让deepseek 读出土的竹简

还有把古文翻译成现代白话

- @* T6 u2 `1 ?( R0 u- r/ U1 h# i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？

$ x5 O7 {0 q, n7 e+ u3 z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？
( D# @6 V, f: z0 _, \, V
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 ...

/ M" a( j& K) }% f+ m  s& Q3 e
9 B# s/ T+ N. b% j! Q; L5 ~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。
% B* q) j8 t! I! M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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
# {: r8 P2 j6 S8 @0 \& W请教是如何实现的？

, h+ _9 C0 @' 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 ...

( M8 G! d" z' e1 m$ Bhttps://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。
7 b/ N. K+ O/ S8 R3 F- 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”。

6 Q3 N2 M  m: O! n5 j1 m* Ahttps://github.com/oomol-lab/pdf-craft

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
4. 把下面的内容写到一个文件里，例如 a.py

& p: m: s% {9 g* U( P# M

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   6 @( r2 g  y( X  M8 I
3. extractor = PDFPageExtractor(
   . I& Q# E+ m8 e4 \. W
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   ; j2 C# F2 G2 G$ X. [' r# \; i
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   
6. )
   . A# `# b! L; p4 D6 a% p
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

" h7 T' u# I2 d0 p要修改的内容：
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
, c/ I( G. b9 C. p8 v4.2 markdown_path：输出的 markdown 路径文件名
1 @) w" ]  x2 R, i, j) b& R4.3 /path/to/pdf/file: 输入的源PDF路径文件名
; G! ?1 o+ p9 w6 x# k
5. 运行 python3 a.py

nanimarcus

/ [# q# U; @$ E( Z  w5 c0 Z! {
- s; d8 l. b% M' @! T+ p目前为止PDF转纯文字的最佳办法。
2 b4 a2 W. n, g# W# ^先写个小程序，把PDF按章节切成小的PDF。
- U5 ]8 g! W% N/ k然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
/ {9 w) p: \! x4 J; h
5 X9 D/ V9 n7 b0 Q2 E1 b- bdeepseek，qwen，chatgpt 三个，deepseek是最好的。
. p6 y8 t: Y2 U+ I4 i. W  S
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。
( u* a8 L: r6 c4 {( T: G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。
* y: Y+ ]- [0 x/ z7 D, L  }' @我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
5 U4 k; m& d5 e; T
API到目前为止，差强人意，不如网页版本修得干净。
3 M' J4 N) V; ~
deepseek可以同时开四个。
" C7 z$ p# H, G& x4 O0 h: Y6 q

三力思

0 ?* d6 {! r/ T9 C
, Z4 Y- T( B2 p4 ?- ?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
# x1 E+ y) I1 l0 v; V' 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 ...

1 d- ^. U8 k% W+ n细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
  s5 x; q$ ?% e  ?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.
0 p5 L  w' A# c! }
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, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file
* V5 I: d( }* z4 h/ [
3, python 读取整个outputfile，丢给deepseek 矫正。
' s# E8 c+ ~0 f* K8 P. X7 m
模型是 deepseek-chat

max_tokens 最大是 8192，别的不用改。
- `9 s8 z& n' D; [
参考：
- q# t+ T4 y, G, d- ~https://api-docs.deepseek.com/api/create-chat-completion

4，费用：

3 k# d. J' A) N/ a6 r9 G实测：
) Y7 r/ V( W" Z- W
( O  S; {: N; N! I" O! D5 J2 a2 F296K 字母，用了 9 美分。
3 Y& u- E5 W% g
英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
$ a( y6 A' Z9 z# U, Q& e, k7 t
1 X, {% X% r1 L7 S& C& |* ?& t2 }, h& E32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

9 s. Z. Q" E7 Q. R& K! ]# _参考如下可以计算，懒得算了。

. G  b# ~7 J' \+ l) W% x, qhttps://api-docs.deepseek.com/quick_start/pricing

  [& m- ~( }) l1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
; g& A# D6 C* }2 ]# B8 p7 \* V1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
6 ^1 a; t7 U5 ~, B% W) {1M TOKENS OUTPUT(5)                                              $1.10                $2.19
" W/ I1 _/ u) \. B6 y2 z1 n
5, Balance

可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
https://api-docs.deepseek.com/api/get-user-balance

1 W3 W. [& s( N0 y, E6, Models

3 A: p) ?) o  s/ u目前就两个
" M2 V2 s/ t; j: t6 C% s# deepseek-chat
, \. G6 x) c, A) d; s# deepseek-reasoner
$ U% {; Q1 p. D7 ?* `
参考：
https://api-docs.deepseek.com/api/list-models

5 _  k% f* ~' |; D
3 j: o# `( j$ ^/ u) N, Q6 F7, 问题
% F: g5 t( X& Q( r* j
deepseek 会将前后两段合成一段。
5 O5 S3 _. d  l特别是那种大量的对话的段落，deepseek会给你合成一大段。
- e: u2 w8 Z1 l4 V3 i5 T
! E0 C1 Z" q$ \' T: @, k  S8, 钱说了算。
6 t- L* G6 d) M; Z  C
6 |+ h8 |* i& `4 O0 \4 D2 @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。
: d/ D' `; a; a3 X; C2 F) u) B! B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 ^6 k4 T  g0 i9 G) ?1 U% W' q

2 P' R7 X/ f& B! M/ ?