利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

; P. I( G( j1 G4 i  @( X把PDF上传，然后让他抓取文字，并修改可能的错误。
然后deepseek完美的完成了任务。
0 e9 |3 O' W6 n! h8 [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！
( z& ]* Y4 }  y7 y# `1 Z: s6 B====
8 p4 S7 {8 ]2 L7 N# `中文也很完美。
. U& S2 O7 R3 f  e# ]* o/ P! o4 [经验值，每次十页比较稳定。
* S" L) H5 q7 o/ A9 [现在我这里API还不能用，等恢复了，全自动了。
====
# q+ }" h/ j3 E4 [- S/ B, J第二次疯掉了！
0 r; B  c8 j, S+ m# D4 R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。
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。
6 w! T' m" d! H* k/ ]9 M( D====
9 Y0 ^$ h# N& G/ Z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。

Sorry, that's beyond my current scope. Let’s talk about something else.
$ [! b$ L. Q4 J5 }; e  A6 o; {7 t====
3 J' J+ L8 Q0 x% z+ |8 O& a然后我的英文命令也让deepseek 帮我修改，呵呵。
====
2 [2 n; I" z( K" c, s4 a  Z/ }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。
& l0 ~# C+ z( J9 I% l) A3 n后半夜和早上，美国人上班了，要么在用，要么在黑客攻击。
/ s$ I6 Q: V' a* C& ~9 ^( u====
) n. d7 t! B8 L8 u0 F用千问吧，非常稳定，非常强大。
https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。
: ]3 s/ x! P  i4 c+ |! B8 X


8 E/ E5 s/ O: C7 p; @) Z# D2 g& e

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

9 ?) G5 {* l2 T3 B! Q9 z) l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

以后让deepseek 读出土的竹简
5 ?; R! H" e7 q) a3 I: A
还有把古文翻译成现代白话
# n4 @0 a% \- g. B0 T" @/ W" b
4 R0 n& R5 x4 r: Y# D! X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# x: `* v, 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，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？

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。

nanimarcus

方恨少 发表于 2025-2-3 01:23
+ @. F( ]# I  }0 J% I请教是如何实现的？

5 L/ E" h, e0 |% V% @" R) @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。
  d1 W5 n/ H; m7 R$ Y& D2 |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”。
9 v& b' J# ]+ g* d0 a% O
https://github.com/oomol-lab/pdf-craft

1. 这个工具要求装 python3.10
& J. l, J3 Y. O3 }1 E7 f5 q2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
3. pip install pdf-craft
& N0 w8 M! _, u4. 把下面的内容写到一个文件里，例如 a.py
: Z; b' f& f4 X* V* I
$ U3 n: P: [& Z8 u" h

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   
3. extractor = PDFPageExtractor(
   4 ~: K: o6 {7 U
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. )
   ! v6 X7 n( \8 Z! \1 m
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   / e1 _, I/ B+ d5 b, G
9.     md.write(block)

复制代码

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
5 S1 ^" k  \" R' x4.2 markdown_path：输出的 markdown 路径文件名
% ]7 H! ?5 E9 J+ v2 [1 F0 \4.3 /path/to/pdf/file: 输入的源PDF路径文件名

6 F/ l* o2 X0 I: [/ K% i. a0 R5. 运行 python3 a.py

nanimarcus

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。
& c7 |! F# ?- T' s$ l: S6 f然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
: A) J7 \9 D% W% L* W2 q. A效果非常好。
  n3 t0 H! W5 Q. ~( i
deepseek，qwen，chatgpt 三个，deepseek是最好的。

( ^9 E7 R) C! _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。

% Y' Q2 }  h1 ]! a0 fAPI到目前为止，差强人意，不如网页版本修得干净。

5 v  a. d0 x  D2 Y' E' Cdeepseek可以同时开四个。
' `; \5 X9 Z8 I- X  N6 t% H

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
* k2 i: c4 C6 \4 {. d( P; T' I2 E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 ...

) [4 t. {6 r& C细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
7 h* H7 G# M( p' `' z细说一下，听上去很不错，多谢。

1 g( T* M- ~- M8 R! _$ h( Q" T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

6 u/ V$ A) ~2 I1 N已经搞定.

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
: V2 J/ o6 `6 s7 i  T
) n2 P" H" L! }: P8 T! R2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

" U2 a/ ]& _& C- C  @3, python 读取整个outputfile，丢给deepseek 矫正。
3 d: V# D: l/ g" X7 {! W! ^. S
2 S6 ^: R" G+ x, Q+ K模型是 deepseek-chat
5 F% {% n& V4 r0 k4 v
max_tokens 最大是 8192，别的不用改。

参考：
https://api-docs.deepseek.com/api/create-chat-completion
4 s4 o1 m7 ]5 B4 f, c0 D- Y4 ^( N
4，费用：

  w6 C$ q7 |8 T) B' J; k* ~实测：
2 z2 S6 i) @. h
) J) j9 s% I* p, N2 |4 ]296K 字母，用了 9 美分。

英文字母 到 token 用量大约 1/3

tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899

7 }0 t) y" v2 I2 u32899 个字母花费 11782 tokens，包含输入输出的 tokens
9 ?' D9 a8 L8 V0 M( g' @
价钱，非常非常便宜了。
, }7 ?+ f/ ~2 O* T
参考如下可以计算，懒得算了。

https://api-docs.deepseek.com/quick_start/pricing
$ s# Y; r2 x+ L2 k
1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
1M TOKENS OUTPUT(5)                                              $1.10                $2.19

" ^$ f& _! |( ?5, Balance

% ^# l5 w( N, P4 g可以在程序里调用，知道每次运行结束后，balance还剩多少。
/ [8 Q9 v- S% o# k& N参考：
3 N+ y  ?0 n) U. Y0 Z/ ehttps://api-docs.deepseek.com/api/get-user-balance

6, Models
/ L- e( Q" Z% d* H& x" H% L0 r
! }3 ^3 ]& Z9 i# J目前就两个
# deepseek-chat
; t! G! g5 U& l# z2 u: A& F# z0 y# deepseek-reasoner
, C! U& ]$ Q# s3 O
参考：
https://api-docs.deepseek.com/api/list-models
' V7 o# t4 p# h4 I' n( t$ v* Z
2 m  Y  w: X3 {& C# b, w6 c
7, 问题

deepseek 会将前后两段合成一段。
, k3 |6 s0 }+ ~# o特别是那种大量的对话的段落，deepseek会给你合成一大段。

2 y6 N2 d- j& |- C4 I8, 钱说了算。

0 j! M/ }2 ?! o0 L) C/ _7 p2 _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。
8 z; B' j1 y; @- J* P* 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。
$ Z$ R1 C! T5 m, W" D2 I
( L# V2 z, W7 x. q