利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

$ l8 ~5 ?9 k0 E, ^' W+ B: u/ A
  o. r$ y! d0 I& H把PDF上传，然后让他抓取文字，并修改可能的错误。
$ F: Z1 z9 p# T, |5 S. r) M然后deepseek完美的完成了任务。
段落清楚，列清楚，页眉页脚全部去掉。
& ]! o! O. f$ K# `# H5 G7 h) q* Z我要疯掉了！
8 p! V1 ?/ y  r$ c2 d* n+ R1 F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！
4 e; C, _8 Z9 ?0 Q====
中文也很完美。
经验值，每次十页比较稳定。
9 ?! [0 s  u. [现在我这里API还不能用，等恢复了，全自动了。
# L, j$ C* W& F' Y) f! l$ l% l====
, Y3 a# H- n" I4 r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。
====
& f, o. q( ], h' t# C5 l4 {5 w, 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。
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 ]% ~) y$ L! ~% f# F# L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。
1 @' ^+ l  X  S2 n$ ]7 E8 m, o5 ^====
6 t! D% }. R7 c9 t好吧，有些东西是不给翻译的，哈哈。

5 ]# T9 D3 x/ \Sorry, that's beyond my current scope. Let’s talk about something else.
5 O, D- t6 l/ z3 u5 O9 L====
, [! D/ H' z! k+ b. e. F. c然后我的英文命令也让deepseek 帮我修改，呵呵。
====
7 ?# B( w; }4 u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。
' h8 k; q& X* V====
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。
https://chat.qwenlm.ai/
====
Deepseek，API 看上去可用了，但是不给充钱。


+ N$ K, J4 @# ^. C1 V

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
6 h" f9 s2 E5 Z8 s2 x- j( M8 M& }  G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

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

9 T# r5 u5 j! s. I( O, U" T
/ q2 ?" A" V5 S! x- h. b以后让deepseek 读出土的竹简

8 a  y7 U, z- w* l3 O2 W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？

7 I" o* D; m3 D6 I! g5 @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？

! [& A2 O0 p4 u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 ...

( w8 B. S5 y2 D5 [* e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
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 ...

7 U* j' ?/ v# S4 D# Xhttps://chat.qwenlm.ai/
& c5 U  i+ Z+ ~2 D0 U0 I' x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。
  i  A2 T0 y0 q0 m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”。
% d+ u+ r& }! u# ~
https://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
$ Y/ M4 I" J! g" S2 s* ^3. pip install pdf-craft
4. 把下面的内容写到一个文件里，例如 a.py

, \" r5 Q3 A9 M% E1 P; q4 E

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   6 M% |5 T" n3 X6 @' m
2. 
   
3. extractor = PDFPageExtractor(
   8 T/ Q1 K* M+ c" \
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
   1 r  b8 a9 N" y+ O  Z) _1 G
6. )
   ' K9 \6 Q! |/ ?" g7 B
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   1 h2 H/ o6 r* U! P& s( D. Z! o9 K
9.     md.write(block)

复制代码

4 Y/ e2 s6 @2 V
要修改的内容：
; u3 h0 S  A' u: E" [6 T4.1 /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
- y8 Q/ e; j) ]4.2 markdown_path：输出的 markdown 路径文件名
6 }4 y9 J% `' l( K( G4.3 /path/to/pdf/file: 输入的源PDF路径文件名
  ~+ [" y6 O4 c- ~7 U* g
" I4 a1 y: V  w+ ^$ k# l! A5. 运行 python3 a.py

nanimarcus

5 y/ }! p9 x- k; H  o% F; c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。
$ A3 x0 B$ c# \+ C0 {* d. i5 m4 B然后，把PDF一个个传到deepseek，让她抓取，除错，输出。
效果非常好。
4 f3 ~0 @5 L; }
& V& r$ @. j) B) y, t5 edeepseek，qwen，chatgpt 三个，deepseek是最好的。
, b3 h: d: i2 w' s  B" v
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。
$ z; k- |0 q+ ~7 ?* X我曾经修一个历史文章，chatgpt给我活活加了三段，真是文豪。

API到目前为止，差强人意，不如网页版本修得干净。

/ K; l1 a1 S2 U, [' [6 Q  ldeepseek可以同时开四个。

三力思

& z: G7 {) P$ T* v
  m* L' s. B  u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
9 j2 U* E* I# n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。

8 R" U) J/ {: _# Q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

3 T) N3 i, F" ]9 g6 c3 Y8 r
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
3 o* H( F7 W6 w% i
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

得到text file

! V* r6 O/ H( H3, python 读取整个outputfile，丢给deepseek 矫正。

1 e) C! a# B. e+ Q; x; X" ~模型是 deepseek-chat

" r; j& c3 h. f9 Z1 b$ E& kmax_tokens 最大是 8192，别的不用改。

4 @( A7 P+ i( w: u" I3 ~- r参考：
https://api-docs.deepseek.com/api/create-chat-completion
0 x7 H" H$ \. o6 V5 ?
* h, ^0 n: P3 y$ v( ~! c# u- `4，费用：

实测：
9 k  i4 s  U$ s
; g' p* l+ ?8 @7 q0 r! u296K 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
6 }  }5 g& X7 l; A0 r4 c& |+ ~
32899 个字母花费 11782 tokens，包含输入输出的 tokens
6 G% O* |  q, B. D/ E( D
价钱，非常非常便宜了。
' E9 C% e1 ?3 C! Q2 n
参考如下可以计算，懒得算了。
5 h- y( p6 ~3 _( b
5 ?- D% Z- ^1 K( khttps://api-docs.deepseek.com/quick_start/pricing

1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
& c5 I$ z5 h; D: l0 v* C" r2 f1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
% A0 h7 ?$ W+ A, [1M TOKENS OUTPUT(5)                                              $1.10                $2.19
$ G+ ]; L( U' v; w8 Y
5, Balance
0 O" A. \% R6 |) a9 I2 |
可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
* K5 M: i+ j+ ehttps://api-docs.deepseek.com/api/get-user-balance

6, Models
8 K8 F1 S5 h! m1 j( s7 I% k
6 E; r0 i+ Z( A$ S- U目前就两个
$ l/ \# q7 B6 ~* E- g1 g# deepseek-chat
# deepseek-reasoner
* ?. T  L8 A" i4 {) W+ d
参考：
! t% x8 A9 B3 Zhttps://api-docs.deepseek.com/api/list-models
. v' Z9 Z0 ^4 V* U! m. J4 L$ K- `3 z, M

4 G* Y) s, ?; J% s* z. q. E7, 问题
: w8 |5 J) H' t# T, V9 q) E+ _
deepseek 会将前后两段合成一段。
$ x7 O, c! p" q" ^特别是那种大量的对话的段落，deepseek会给你合成一大段。
- `- X1 e1 k& [3 M# u
9 e) d9 g5 B6 y, n0 Q2 c8, 钱说了算。
! a5 c7 B  K! |$ O, G6 G& I
9 H( t5 e1 f( m; kdeepseek 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 Q" b7 x8 x6 _% ^/ i  h1 T. O' R但是API就不会出现这种情况，毕竟我们给钱了。
5 G- w" D# S% W( D2 y1 Uchatgpt也是这样的。


' Z' g7 B3 H0 k' v. c0 w& X