利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

: S  O8 ]6 s2 t/ p4 k, T
3 s( B3 F1 E9 M- B4 F6 V6 d$ Q把PDF上传，然后让他抓取文字，并修改可能的错误。
8 D3 \3 c6 t9 G* R( u0 H然后deepseek完美的完成了任务。
( q0 M- e) T. a( {$ R- {段落清楚，列清楚，页眉页脚全部去掉。
5 \* }* D6 y. a8 Z* @4 a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! s8 f7 A! \+ A3 c====
中文也很完美。
经验值，每次十页比较稳定。
! ?2 b  k. m% G& r1 e现在我这里API还不能用，等恢复了，全自动了。
====
: v  T6 X; a* o+ E第二次疯掉了！
0 C" t  u4 H# ]0 W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. i* e) B+ P====
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。
' i% M2 Q6 \- C7 E9 ?  u但是任务多了后，每次翻译的页面数是减少的。
. F# ^# S4 p8 q# C好吧，我五体投地，继续探索。
$ ]3 d% w1 r$ x; H====
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。
2 I! E9 h& `" n6 p5 Q3 |2 n8 d- }: R====
& `3 M( i1 z; u+ Q/ Y0 r- Z好吧，有些东西是不给翻译的，哈哈。
" o  m9 h- H0 i, O
) k6 V) ^! j7 |9 C( q( h1 oSorry, that's beyond my current scope. Let’s talk about something else.
1 `+ ^5 o: w* D( m# x- _* R: E====
然后我的英文命令也让deepseek 帮我修改，呵呵。
====
, m' H+ x. g3 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。
, P4 r6 }. K: p, u% {3 C; p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/
====
! y5 h# ~; p! {7 Q! [Deepseek，API 看上去可用了，但是不给充钱。

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

# S" K8 i! T# Z  G- _3 @& S+ C7 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
! h/ e+ q# Z3 M2 k8 }有没有上传整本书试试

! C' \  ^) Z' h) Q- y- I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

) ?2 E0 D7 a5 }- V2 e" Y
7 A! [+ u( w  a2 }6 i; l  a7 H3 s以后让deepseek 读出土的竹简

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？

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？
' W+ p! S/ T8 [# H' f& X. h9 |3 t
1 ]/ d* N+ y! e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 ...

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。
; h' M& H' |8 V1 i; b- h- v

nanimarcus

方恨少 发表于 2025-2-3 01:23
; [4 m9 Y% o8 b2 S1 ^' ]请教是如何实现的？
3 S% K- F% r% I( b# @# v0 P
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。
很稳定，质量不错，好像最多一次处理15页。
/ E# D) n  b& n  ?$ @) t( r' Z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”。
# p, V+ ?9 V5 a1 L6 R, H* c
! s$ U, w! D6 B8 ?) \" xhttps://github.com/oomol-lab/pdf-craft
- H, F+ z6 x: U6 O8 o; a
1. 这个工具要求装 python3.10
' X6 O3 M7 n2 S; @& t/ o2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
' r$ u7 A5 x+ v8 o- ^3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   $ `4 b/ m2 u- ~3 |- I7 j; a5 J
2. 
   
3. extractor = PDFPageExtractor(
   # F8 C1 k7 ~  g0 E
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
   * V! r4 D  t$ z# H8 c
6. )
   # G. z; w' D  G( {3 I
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   - C1 ^  [: s) i, b& s3 L. h* o9 `7 v
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

要修改的内容：
/ _7 j5 n3 p8 T' M) I7 K6 }+ V4.1 /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
& m8 J; M8 Z  s4.3 /path/to/pdf/file: 输入的源PDF路径文件名

# t' A  s2 Z/ a3 x2 @5. 运行 python3 a.py

nanimarcus

3 |9 G  B! y3 K
& ?3 `6 M, U, `8 O( U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。

deepseek，qwen，chatgpt 三个，deepseek是最好的。

5 y' i# b0 I( e; Hdeepseek 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。
9 u  Y! V" M! R' @# e& J( T; N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。
. m9 f/ M; l: X' d我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。
0 g6 w6 @5 v7 V/ o5 q+ j4 `
4 R7 L! j' b: B! F5 p, l" _, P) |5 ?API到目前为止，差强人意，不如网页版本修得干净。
& Q8 i- e$ L! w9 v0 O, e) Z
! v% Q1 C$ [4 \! T& l& Y, {deepseek可以同时开四个。

三力思

, D+ j9 Y; Q: O
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 ...

' [+ f5 d! `8 Z& \( t5 |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。

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。

  q- H; _8 w  K( \3 L" g1 P1, python + pypdf 按章节拆分小的PDF
6 C7 m8 F# G2 E
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
8 B' o  b# g$ i( v/ [3 K) Z4 ^
得到text file
2 K6 v' v" Y3 d; e0 K( D  z2 d
3, python 读取整个outputfile，丢给deepseek 矫正。
# Q# L/ W. A- x- e  e; h4 W7 J
' O2 P2 Q, l8 z" ]$ V模型是 deepseek-chat
! q" S+ }( Z+ N+ ]  F. P
0 Z1 m+ _' q' g( b( R* V% }8 Emax_tokens 最大是 8192，别的不用改。

/ C3 w3 k6 S# r- [  W, i' ]参考：
+ \8 Y% a- g7 w" B* W: m! E# c: {https://api-docs.deepseek.com/api/create-chat-completion

4，费用：
( ~: N# E5 Z  ?" G& E
8 P: C4 L8 Z  O% L( f; J$ Q实测：
  ~$ C" a# I) z! d. _5 `& d3 @! J' A9 Q
0 S5 {4 J4 |5 Z1 H0 A8 s9 z296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3
- p, A- P: b' t: X, l
1 H8 I( w; `  ?0 f* gtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
5 n( d2 O, R5 }* R$ _) K1 A
32899 个字母花费 11782 tokens，包含输入输出的 tokens
! y' R' y' |7 {( q" Q/ J
$ d/ C2 `: z" b6 g( x# t/ \价钱，非常非常便宜了。

. K  E# Y( x) ]) h* C- F参考如下可以计算，懒得算了。
- p# ~" u. ]; C( }9 K  N# x9 ?# t2 r
2 |3 I6 D8 q, phttps://api-docs.deepseek.com/quick_start/pricing

# e. U4 a5 x+ j* |  D1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
' ^$ H7 ^$ \% c# C) H1M TOKENS OUTPUT(5)                                              $1.10                $2.19
: T* l6 x9 V& r5 b2 h8 A
5, Balance

) y8 e# a, t  b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
# g. Y5 R: o  ]0 J4 P% m
6, Models

  }3 C% M6 z. W1 W" @目前就两个
, J; Y# f# j' E7 ^8 r# W) f# deepseek-chat
# deepseek-reasoner

参考：
& `/ w+ `" ^9 u. }) xhttps://api-docs.deepseek.com/api/list-models
- L( w9 l5 o8 Q& n; `

4 M# v9 S  `4 y& N* Z7, 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。

! F8 @2 G1 _' s; ^$ Y# B8, 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。
4 t( p) t, I* z  I1 E1 K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。


$ L5 U' Z9 v0 G