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。
2 u! l, `: }9 c2 l6 J. C  a8 Y然后deepseek完美的完成了任务。
6 q9 m! e6 X  `: l/ D' f% p段落清楚，列清楚，页眉页脚全部去掉。
* t! e0 K6 {+ r8 e- v5 s  E& Z) y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！
! K; {0 n( b6 x. S" _====
* Y! F8 e$ q9 [- [8 E( ]中文也很完美。
% D) }& T8 I  G3 ^' T4 w* k经验值，每次十页比较稳定。
2 ]& b# h- s; q6 Z$ m现在我这里API还不能用，等恢复了，全自动了。
3 w- E3 ?1 W( Z( f====
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。
====
4 P2 N& d: M9 ]" m! v* [( @: q8 [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。
====
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。
/ D8 a+ W1 P/ [8 C1 D/ u$ H1 z1 h
Sorry, 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。
====
0 f$ y# b3 x- d# ~9 M( d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。
3 X4 t; U! U# N+ K6 ^( z) v8 n9 W====
' Q9 c! e/ R! `! I; |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。
1 T- z) z8 K9 F# c- o) G" `6 D1 Khttps://chat.qwenlm.ai/
" ?' B/ j% g: H====
Deepseek，API 看上去可用了，但是不给充钱。

4 Z/ }" c+ _5 }) F; Z' q  j; R
+ C) F1 h/ K  b7 o( _/ T/ F8 b$ H! N! N
0 f/ N, |: i7 ]9 N2 g9 o+ h

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
* c2 k8 @3 f# X& \  S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

. T. l9 s! w/ B4 L+ |以后让deepseek 读出土的竹简
4 [( l+ g8 L& W1 U. e  E* S  Y
, v8 ^6 V* T, D* p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？

. i9 y( }/ x: ]# }  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
1 b2 |7 B9 c5 W1 {! Q) N( n请教是如何实现的？
1 m# ^0 H2 F( Q; m
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 ...

! g% b7 C* [. O: u& }
3 t/ ^7 [- J1 `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。
; V4 W3 b# k' h4 v文字之类的没问题。估计deepseek现在暂时只保证主要功能。
+ J# I+ |0 g) q) l8 C; \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。
' [9 K+ _1 W& q7 E2 H+ m0 `8 B

nanimarcus

方恨少 发表于 2025-2-3 01:23
请教是如何实现的？

# X5 t8 \( r) n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。
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。
1 X0 }' s# C% i! f" Z. F) R! \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”。
" L" N8 r  C) ]- D. N% w! Z7 ?7 U
https://github.com/oomol-lab/pdf-craft

) j  t6 A8 Z9 S1. 这个工具要求装 python3.10
9 x+ C9 y( W5 f* I' q2. pip install onnxruntime==1.21.0, 有英伟达的卡：pip install onnxruntime-gpu==1.21.0
6 y! q6 g6 L3 O3. pip install pdf-craft
) w! |, \7 J9 s, S( j4. 把下面的内容写到一个文件里，例如 a.py
! k. f4 x5 T5 Q8 \- c# K$ i9 f
& E5 k% V  T$ `1 A+ Z/ b

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   8 T1 w4 O0 B3 E/ ~5 A* Q; [/ W
2. 
     }0 i. _8 n) v5 c7 H$ }
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
   9 L1 r/ N) J, y5 b! x+ C; l- g. P
6. )
   3 e& V& k/ r* R6 B8 u
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   % B2 i3 ]  }; Q1 x  U% z
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   
9.     md.write(block)

复制代码

' t) s' _6 @8 S+ j
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
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

, E% S- }2 U0 T7 k5. 运行 python3 a.py

nanimarcus

# X  H4 w3 z( [6 d: |
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。
0 v) T3 Q  v; ~: N# s) x然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
# X& ~5 F! x9 p" k) ^  V/ Y效果非常好。
/ b2 I$ j7 y( L1 h3 }& s2 B
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。
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。
# C, [, j3 w1 ?: ^0 v
+ \/ s7 Z6 \& U+ G& S) q+ gAPI到目前为止，差强人意，不如网页版本修得干净。
) F* h  n! N" n" ~$ [. [! z
* ^& X4 @0 s# \  hdeepseek可以同时开四个。

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
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 ...

" r9 w% Q# [# [3 d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

8 h" b: F6 w( t  s: m  E0 |已经搞定.

+ I" `: C* }0 ~! s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
1 z3 K# y" E7 W' J9 j& e$ U/ f5 r% I
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
6 D: o. ~/ F" Y* @+ c
. {$ ?+ e" c% }得到text file

/ F* T- p6 p) X% R3, python 读取整个outputfile，丢给deepseek 矫正。
1 ]( e* a# i( c; C, }+ v6 ~9 b
模型是 deepseek-chat
4 V" W$ H1 `4 y$ `
max_tokens 最大是 8192，别的不用改。
& e9 ~4 }+ d: _% K" Z
参考：
https://api-docs.deepseek.com/api/create-chat-completion
; y) _% @# ^% R2 V2 z# Y8 [
4，费用：

- ]2 c' D1 i/ e4 I- G实测：

296K 字母，用了 9 美分。

, l" ^  a' m( N+ ]) q* d, H* N0 J英文字母 到 token 用量大约 1/3

3 r3 x, @5 u1 g4 p0 W8 }tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
; U9 _- ?3 K( a8 j; S
2 o! d) L1 R& X0 I# H. A0 a. g32899 个字母花费 11782 tokens，包含输入输出的 tokens
$ p7 I2 E' O# F5 X5 h
价钱，非常非常便宜了。

5 W( a: q8 O* I参考如下可以计算，懒得算了。
1 C7 L) ]1 |! s: y( M, c0 Y
1 [$ i( {% F8 b' lhttps://api-docs.deepseek.com/quick_start/pricing
. u5 {- a6 |1 u* U
) g5 ?) f* p1 N4 @1 h: }1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
3 `( H/ t& Y3 S+ b. J: j, p9 `2 [0 y1M TOKENS OUTPUT(5)                                              $1.10                $2.19
$ l. z2 b$ [% I- |
! o1 H0 x# d9 m, J1 @5, Balance

% ?: `! G' {" {: G/ ]可以在程序里调用，知道每次运行结束后，balance还剩多少。
, o8 L% I* i; Z; }4 }6 s参考：
https://api-docs.deepseek.com/api/get-user-balance
- n+ s: l5 @; P. {9 f; D. [
! o) C5 g! J- W( f4 ^9 L1 G; }6, Models
! ~9 G) Z' \, e1 y
9 U3 s8 j% e: G' l* v7 Z, e9 S目前就两个
2 Z) e* q; k, W) }# H. V7 D, C+ r# deepseek-chat
8 H( n* w" j# o# deepseek-reasoner

参考：
https://api-docs.deepseek.com/api/list-models
. ]) X8 d- {: g, d" M4 A; Y! j5 n

7, 问题

deepseek 会将前后两段合成一段。
9 T+ x- `# @. U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。
8 r1 j! Y, M' F2 a9 e  e, C但是API就不会出现这种情况，毕竟我们给钱了。
7 J5 U8 c5 V3 z* [3 Ichatgpt也是这样的。


  z# l/ k  N, Q" w3 R