利用 Deepseek 抓取PDF的文字并矫正。

nanimarcus

. `! C( C8 o* S* [( q( k. i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。
. s+ j- w3 f! ^# E段落清楚，列清楚，页眉页脚全部去掉。
# S! `# N2 d8 D/ G  G( 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！
====
$ D  [# q0 x% w4 M中文也很完美。
: I. V5 G5 D/ S0 _7 u经验值，每次十页比较稳定。
# e! e5 U, f% |0 c- C) w& q现在我这里API还不能用，等恢复了，全自动了。
$ {/ ^1 k" V, m3 b0 z* h====
6 F, \3 \2 {$ a& g/ K6 Q  {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。
1 n; y4 H! ?$ Y) |2 C/ O8 V====
+ ~7 Y7 J: M8 ?8 m! Z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。
% l2 A! f  I; m4 B但是任务多了后，每次翻译的页面数是减少的。
0 p: V3 {) {) L$ H+ O7 y) W' t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。
* D3 @% F" y0 U$ S# ^3 w, J8 c====
好吧，有些东西是不给翻译的，哈哈。
& ^% m8 b% N% b0 [) A
Sorry, that's beyond my current scope. Let’s talk about something else.
====
& i. V9 m) v$ V( s- J然后我的英文命令也让deepseek 帮我修改，呵呵。
  G0 U% M: R$ s& m====
& C( i3 D. z  v9 y. ]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。
* Z4 ]1 t! ]( Q/ g6 a9 d! d3 z# c- t====
6 |+ c! Z$ H& z9 F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。

1 K7 \7 N7 H9 R$ H  h7 V- i

; |" T8 g( b2 g( U2 b

马鹿

这功能很赞呀

nanimarcus

马鹿 发表于 2025-2-2 03:53
3 e, K+ b: m0 Z- Y; ~这功能很赞呀

  Y: {8 ?8 W3 Y- a  v* Y% H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
- W! M  ]5 p0 l  v- T: ]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 ^7 Q" V9 w9 V: Z还有把古文翻译成现代白话
8 R5 M( ~0 |- a
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？

6 K3 s: K6 T% M( A$ x1 ^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
) A. d+ u; a2 v4 I/ B( X& b请教是如何实现的？
! ]+ ?* W# x: e4 U( y7 O# t
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 ...

. X/ e7 m5 c( k8 F3 Y: I
" T0 ~+ M( O( i8 m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。
5 d& ]5 e$ M. N( m( v! \, w文字之类的没问题。估计deepseek现在暂时只保证主要功能。
! b. ?  P' I$ u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。
+ g+ k& Y- T# \9 a  ?

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 ...

3 {$ K4 [$ I  ^https://chat.qwenlm.ai/
3 L- T3 E, F: _. e+ u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。
. L1 {9 I' O4 V7 a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”。
, U8 |$ c( f1 k: E1 F  x
% o9 H8 `# o1 P# ahttps://github.com/oomol-lab/pdf-craft

# o2 `2 @- d; ?+ Z* s2 G' A+ k) r1 p1. 这个工具要求装 python3.10
( M2 n$ i7 J; h7 U2. 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

1. from pdf_craft import PDFPageExtractor, MarkDownWriter
   
2. 
   0 L) U( ]' J6 h+ }3 j
3. extractor = PDFPageExtractor(
   ( p, r5 K0 m) b
4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
   4 T2 |5 S, G) E3 a4 X( G3 w
5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
   + r- O$ c. [: \; _
6. )
   : U  Y4 G" n1 l& o# H7 I& _
7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
   
8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
   , O: p& @+ \# U1 N. ?
9.     md.write(block)

复制代码

+ i  B) w0 g8 }
要修改的内容：
1 k. v  v- ?9 V. R, Z, w4.1 /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
1 `7 l0 N3 c" ^% ?& ~6 j3 Q
- T3 P0 `, B5 J5 R3 Z5. 运行 python3 a.py

nanimarcus

目前为止PDF转纯文字的最佳办法。
( w. \8 M6 k6 O. L  N: _& F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。
: O+ T5 R, n7 I* i1 ]
deepseek，qwen，chatgpt 三个，deepseek是最好的。
* U* D1 q1 H- ^# E% @' s" i, k
1 l% a3 i- l) ^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。
' ?" r5 R% n, q. ?, h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。
- f7 g. ]( t5 p. n+ o" y( s) e  U5 C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。

, {5 T4 @7 \% |7 a0 c0 rdeepseek可以同时开四个。
# x6 e& U4 |3 k' X1 T$ q  B( W

三力思

$ C0 y: R( Q: d6 B4 D- |
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
5 x' q# V: I* X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 ...

0 @4 q# Q- r: L8 V, `- `8 h" x细说一下，听上去很不错，多谢。

三力思

nanimarcus 发表于 2025-4-17 16:33
( K5 p9 J& _: h+ I- J细说一下，听上去很不错，多谢。

$ Z& j3 u6 {3 Q( b1 G" b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

, B# l. x4 D% A9 [% x2 n
已经搞定.
! O' O; [- c1 Y% h6 Q% I
9 t' k- i) Q$ c% [6 v# @# N首先 PDF 本身已经OCR了，Adobe Acrobat Pro中自带这个功能。
1 {" }) x' r$ ]$ O$ O2 ?0 S
; f3 i1 s! x$ D. ~  A; i1, python + pypdf 按章节拆分小的PDF
+ B- i4 t! b9 k5 @: S/ q
2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile

. s) ^6 \+ x; E" j9 P得到text file

3, python 读取整个outputfile，丢给deepseek 矫正。

模型是 deepseek-chat

7 L$ r0 i5 I; D, U% G& f3 kmax_tokens 最大是 8192，别的不用改。
! h* n) d/ @7 Y/ N$ O
4 U/ l  }6 d, ^" O# A" K* x参考：
5 I& z9 p* a- @* @' Whttps://api-docs.deepseek.com/api/create-chat-completion

4，费用：
' S* @6 r9 c- T3 E+ [, V) j
实测：

; y( \; ^2 Y0 i2 g296K 字母，用了 9 美分。
' v4 |5 Y% S6 e# A/ x
英文字母 到 token 用量大约 1/3
8 Q9 J* l9 o* j5 v1 g
tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
! H' W9 j% c- D* N
$ T: {6 T4 M% p32899 个字母花费 11782 tokens，包含输入输出的 tokens

价钱，非常非常便宜了。

( w% I7 o, @  Z1 d7 v- l参考如下可以计算，懒得算了。
; N( U  I3 ?# z0 s( |7 s
https://api-docs.deepseek.com/quick_start/pricing
1 h' [3 M" ]; V5 G
: o" @1 }9 b5 i# ~7 }( x1M 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

5, Balance

! a# K. u9 C$ w( @; P4 M可以在程序里调用，知道每次运行结束后，balance还剩多少。
参考：
$ g% c9 V, i' A+ R7 n+ X  F* \# Shttps://api-docs.deepseek.com/api/get-user-balance
8 ~" }' n+ B/ \3 S
6, Models
+ B; L4 ~+ @, e9 U' S
目前就两个
# deepseek-chat
: D0 Y, ?, P( g6 f, `9 r( w# deepseek-reasoner

参考：
' O7 X" p" Y9 Z9 l, chttps://api-docs.deepseek.com/api/list-models
# t6 o: U- S  [/ r1 R! `7 O" P+ u
. @* ]1 V$ l8 x* n
" K$ J' @* M% }! @3 L, p7, 问题
( _5 c. G1 I  N' f. m4 {
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。
) ^) [, w# T7 S9 ~2 q8 Z
8, 钱说了算。
: @% I+ Z! P9 l5 |" q1 x
9 J( J  ]5 q( |5 R. o& A% Bdeepseek 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。
但是API就不会出现这种情况，毕竟我们给钱了。
! s# f2 v) Y4 R. u& I% R7 _4 nchatgpt也是这样的。