设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 1667|回复: 17
打印 上一主题 下一主题

[工程技术] 利用 Deepseek 抓取PDF的文字并矫正。

[复制链接]

该用户从未签到

跳转到指定楼层
楼主
 楼主| 发表于 2025-2-2 03:35:19 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式
本帖最后由 nanimarcus 于 2025-2-6 22:17 编辑 4 i& ?- |" q# a8 o. B4 G
! `) C; z$ b! r& |$ W5 p$ R! r+ n
把PDF上传,然后让他抓取文字,并修改可能的错误。
0 J( f" e* r( {然后deepseek完美的完成了任务。4 [5 R9 K7 K- R) s* W
段落清楚,列清楚,页眉页脚全部去掉。, C' L* K& n# t7 W
我要疯掉了!% p- D. {& M* }. B1 S0 }
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!
) r: Z1 ~& B/ z9 n: p/ j====0 c. R( c4 s$ H, j
中文也很完美。, Z9 m% y  H/ C- {* i
经验值,每次十页比较稳定。) D, m+ c5 m4 @# t8 A
现在我这里API还不能用,等恢复了,全自动了。
0 g- {* E6 E) q2 y  _. q====1 C5 w, g, L4 ^: E% N
第二次疯掉了!
1 F6 @  b" e) S. ~$ x9 G# J' z7 Y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。% x% @5 S0 _& I& c
====  b9 x' H6 H2 O
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。
( d  B$ l$ `. X4 l# g6 `- X但是任务多了后,每次翻译的页面数是减少的。7 W2 L7 ^# v) t. C1 C  o' }  J
好吧,我五体投地,继续探索。
& F. i0 @4 [3 A# R. R+ D====2 K& M( h* e  v
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。: b7 g, b* h$ f0 _, u' B8 b6 U
====
; S8 @' `! M/ [: Y好吧,有些东西是不给翻译的,哈哈。
2 H2 @1 V; r+ C0 B  N
, N1 O& I) L8 i$ Z% m7 G2 r2 tSorry, that's beyond my current scope. Let’s talk about something else.
/ N4 k( D  _7 Q( J7 ]====
, h- P8 {% N+ p% J" N然后我的英文命令也让deepseek 帮我修改,呵呵。! J. N. y9 K: z$ Q7 a( z
====
% c' Q' t$ F0 j7 U4 y( V$ k% W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。2 m- B( n' }/ A7 o0 N4 w; z
====
# b7 d( h4 ]! Y+ {时间段的话,北京时间的下午和晚上用比较好。
2 k. z: W% B# P. m4 T后半夜和早上,美国人上班了,要么在用,要么在黑客攻击。
( w* c- }. Q: W1 x====: v4 |3 n3 Y' m$ t
用千问吧,非常稳定,非常强大。
9 }7 C7 b/ h- A; [, Lhttps://chat.qwenlm.ai/3 \# u; T( `) i  n( f6 v7 a
====
6 N( a4 M! r5 p; D2 a0 @8 qDeepseek,API 看上去可用了,但是不给充钱。# T, T7 o7 |) `6 K

% G, p# s6 }% @* M  L" W" e
( Z( F7 r" t" ~9 H1 m7 t* ~  Z3 |/ s0 w$ \. W

评分

参与人数 11爱元 +102 学识 +2 收起 理由
testjhy + 10
johnsonjian + 10
helloworld + 10
laser + 10
笑羽 + 10

查看全部评分

  • TA的每日心情
    开心
    19 分钟前
  • 签到天数: 3523 天

    [LV.Master]无

    沙发
    发表于 2025-2-2 03:53:32 | 只看该作者
    这功能很赞呀

    评分

    参与人数 1爱元 +10 收起 理由
    indy + 10

    查看全部评分

    回复 支持 反对

    使用道具 举报

    该用户从未签到

    板凳
     楼主| 发表于 2025-2-2 03:56:21 | 只看该作者
    马鹿 发表于 2025-2-2 03:53
    : l# y& ]5 V. a# t: X! D; D3 T2 I这功能很赞呀

    ! W! U5 f6 T, g! C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。

    点评

    给力: 5.0 油墨: 5.0
    油菜: 5.0
    油墨: 5 油菜: 5
      发表于 2025-2-2 08:23
    给力: 5
      发表于 2025-2-2 04:41

    评分

    参与人数 2爱元 +20 收起 理由
    笑羽 + 10
    indy + 10

    查看全部评分

    回复 支持 反对

    使用道具 举报

  • TA的每日心情

    2022-1-1 00:00
  • 签到天数: 793 天

    [LV.10]大乘

    地板
    发表于 2025-2-2 04:13:28 | 只看该作者
    有没有上传整本书试试
    回复 支持 反对

    使用道具 举报

    该用户从未签到

    5#
     楼主| 发表于 2025-2-2 04:27:15 | 只看该作者
    indy 发表于 2025-2-2 04:13
    ) C- L9 I( U  N) S9 P6 l( {( K& t有没有上传整本书试试
    ( @$ a/ j; R- F
    目前看来,差不多十页左右就停止了,看看还有什么诀窍不。

    评分

    参与人数 1爱元 +10 收起 理由
    indy + 10 谢谢分享

    查看全部评分

    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    19 分钟前
  • 签到天数: 3523 天

    [LV.Master]无

    6#
    发表于 2025-2-2 04:41:51 | 只看该作者
    本帖最后由 马鹿 于 2025-2-1 15:43 编辑
    5 B  Y5 g& t2 ?0 z- B7 \% ]) w6 a0 w3 K3 {/ A% m3 C- A
    以后让deepseek 读出土的竹简
      |! z) v: i+ }8 O; n. @6 c, `1 v9 S7 w' S
    还有把古文翻译成现代白话3 S# ?- B! h8 ~& k2 Z6 u

    ! D2 j5 Q. J* V) O: Z. V以后不认识的字不查字典了, 直接问deepseek
    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    奋斗
    13 分钟前
  • 签到天数: 2673 天

    [LV.Master]无

    7#
    发表于 2025-2-3 01:23:54 | 只看该作者
    请教是如何实现的?
    9 l5 d6 G4 U2 }: w- x8 F4 c  `# |6 N  [' _3 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。
    回复 支持 反对

    使用道具 举报

    该用户从未签到

    8#
     楼主| 发表于 2025-2-3 03:06:35 | 只看该作者
    方恨少 发表于 2025-2-3 01:23
    + t0 A) o4 C  w/ H2 w请教是如何实现的?
    3 x( X$ g6 k, s" s. E( E! V
    . b' e  |3 _1 W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 ...
    - D, a' X9 p8 ~& d/ v
    / O. `) A0 M6 T6 I. I" z. T
    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。0 ~" C$ d* ]+ I% I4 ^
    文字之类的没问题。估计deepseek现在暂时只保证主要功能。  V6 \( H+ v: z2 i9 ^( x
    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。4 p9 o& p0 _3 {/ Y  F/ l$ N, c

    点评

    给力: 5.0 涨姿势: 5.0
    给力: 5 涨姿势: 5
      发表于 2025-2-3 03:40
    回复 支持 反对

    使用道具 举报

    该用户从未签到

    9#
     楼主| 发表于 2025-2-5 00:15:37 | 只看该作者
    方恨少 发表于 2025-2-3 01:23! I5 s7 W- E# Q" Y" I% D, E
    请教是如何实现的?
    " n8 Y4 `5 V  R8 S9 Y0 u& e0 s9 Q8 }
    * P6 [5 U4 t, l, `" S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 ...

    ; d: |( x2 c. L" f3 w8 Y$ Xhttps://chat.qwenlm.ai/3 J' Y0 q7 R7 k4 V, y
    试一下千问,估计美国人没有攻击他,所以资源敞开用。
    + _6 n* N& H' o9 J. M( `: `很稳定,质量不错,好像最多一次处理15页。% h2 L% x& n' u9 T7 U( D% d$ S/ s: X
    我直接拿deepseek的指令用,没有区别。
    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    昨天 00:04
  • 签到天数: 2809 天

    [LV.Master]无

    10#
    发表于 2025-4-16 17:01:29 | 只看该作者
    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。
    # Y4 N- E/ [+ z- z+ ~5 |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。
    4 y, w5 P) W2 P  N* U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”。
    $ v7 i# M& L5 `- s7 T0 V. N
    ) m& ]# U0 m" `+ W* f1 O# ?4 jhttps://github.com/oomol-lab/pdf-craft6 I" P: X/ q  H+ i) G/ `/ \
    6 @/ W/ Z( r! o* r5 k
    1. 这个工具要求装 python3.107 \, `, E8 b: W7 E
    2. pip install onnxruntime==1.21.0, 有英伟达的卡:pip install onnxruntime-gpu==1.21.0: u# T, \' q4 ?; i3 b; E
    3. pip install pdf-craft1 J! {1 Q: N0 N7 G4 w: f
    4. 把下面的内容写到一个文件里,例如 a.py* }( r* W. w/ e

    : i% {2 }! _7 |& T3 ~! T4 t
    1. from pdf_craft import PDFPageExtractor, MarkDownWriter
      % T$ f) w  z/ }  |
    2. , D2 o8 z" ^- o; B
    3. extractor = PDFPageExtractor(- A3 S/ c. I3 s6 b8 ?9 v- o
    4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
        K, w( g1 h" D# w! `
    5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed' A' |! `* u2 ?7 e- L. ?
    6. )9 R3 f8 h, y% c; m3 X; B
    7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
      , @- }- W4 k5 b* q- J; Z( ^5 ?
    8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
      & v8 P4 i. C8 U& I7 {9 C8 K
    9.     md.write(block)
    复制代码

    + B% ?9 w  }; L9 M, B  h  o7 {" W* D' o- T+ q
    要修改的内容:3 G, r4 J; |- `9 F, q
    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% ?9 z) G' X  @; F- ~( l5 b$ q
    4.2 markdown_path:输出的 markdown 路径文件名" `8 k( S7 \* X/ ~
    4.3 /path/to/pdf/file: 输入的源PDF路径文件名& [& u% {  a6 @; Y, o) u
    6 L3 D% Y+ l7 f
    5. 运行 python3 a.py

    评分

    参与人数 1爱元 +4 收起 理由
    唐家山 + 4

    查看全部评分

    回复 支持 1 反对 0

    使用道具 举报

    该用户从未签到

    11#
     楼主| 发表于 2025-4-16 19:47:30 | 只看该作者
    本帖最后由 nanimarcus 于 2025-4-16 19:50 编辑 ; v9 \" y$ k' P# J: C5 v
    $ r& S' z; B6 j$ Z: c/ A: ^) t2 m* O
    目前为止PDF转纯文字的最佳办法。  O' u4 R3 C( W# Y" y4 k8 X
    先写个小程序,把PDF按章节切成小的PDF。
    ' o" b5 Z1 @7 G9 T. C1 N; c然后,把PDF一个个传到deepseek,让她抓取,除错,输出。
      \. x* l9 p1 t* @$ [( e效果非常好。5 f) H8 ^2 q5 Q5 }! F3 A

    , K& e5 m9 [) t# U' }/ _deepseek,qwen,chatgpt 三个,deepseek是最好的。
    . W* Y6 Z6 ~2 N$ X4 V0 _3 H+ m4 V! ]7 M; d
    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。9 W0 P" |" t5 L9 s
    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. S0 ?( K: g2 k
    我曾经修一个历史文章,chatgpt给我活活加了三段,真是文豪。7 \: L' L4 N! w
    6 u' v$ [5 [: b" {% x
    API到目前为止,差强人意,不如网页版本修得干净。
    : ~& z& d# G& D6 |  J7 T, o
    5 T: j. W8 G  A) J5 @deepseek可以同时开四个。
    * V+ O2 ^+ ]& R0 Z  [& K& e6 W$ O

    评分

    参与人数 1爱元 +4 收起 理由
    唐家山 + 4

    查看全部评分

    回复 支持 反对

    使用道具 举报

    该用户从未签到

    12#
    发表于 2025-4-17 12:26:23 | 只看该作者
    本帖最后由 三力思 于 2025-4-17 12:27 编辑 6 q! V. x! C$ Z) A+ p
    * L! E1 Z9 Z; b6 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
    回复 支持 反对

    使用道具 举报

    该用户从未签到

    13#
     楼主| 发表于 2025-4-17 16:33:20 | 只看该作者
    三力思 发表于 2025-4-17 12:264 z7 O  E+ t. u2 t
    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 ...
    , k- ?, `9 m  @+ s
    细说一下,听上去很不错,多谢。
    回复 支持 反对

    使用道具 举报

    该用户从未签到

    14#
    发表于 2025-4-17 21:22:24 | 只看该作者
    nanimarcus 发表于 2025-4-17 16:33
    4 k+ h! T4 w: l" |( G" \细说一下,听上去很不错,多谢。

    5 k& n; a0 v' H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”
    回复 支持 反对

    使用道具 举报

    该用户从未签到

    15#
     楼主| 发表于 2025-4-17 21:55:57 | 只看该作者
    本帖最后由 nanimarcus 于 2025-4-18 15:39 编辑
    ' D% T3 u! e1 L' G' [/ E) K( a6 ^: b  [) R/ L' p
    已经搞定.
    % m- Q! j9 Q+ Y3 t) `: r' u) a6 m4 @' |+ m% Y
    首先 PDF 本身已经OCR了,Adobe Acrobat Pro中自带这个功能。: \* O) k; _8 p; J6 Y# n$ t
    0 \8 W! X4 m8 U/ z( @& H; X
    1, python + pypdf 按章节拆分小的PDF* c, N" e: W2 e" R/ {" A

    % T5 n0 R, x$ m! H, T5 ^2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile- \9 Y  Z1 \* p6 C

    : y" s/ j1 C* b1 L得到text file
    ! `1 K  `5 Z- Q" n
    . l) e. @( c* p0 N( K; f; }3, python 读取整个outputfile,丢给deepseek 矫正。4 |6 N7 o# k! Y# q  P+ i) ~
    ! _3 h6 F2 b% W6 n9 o
    模型是 deepseek-chat
    . h, I' b8 N+ _; ?9 G9 P; j
    . b2 u! a7 q% S2 z$ [1 t( Kmax_tokens 最大是 8192,别的不用改。0 z% e9 }5 n5 }& E

    $ I! ?4 H  d$ e2 y8 H3 ?- {参考:
    # m/ |; D! R) A; l5 e! chttps://api-docs.deepseek.com/api/create-chat-completion
    5 g' `* k& W2 z; D% F4 E' S2 W2 m: T' @4 X/ K% g* C4 a
    4,费用:# G1 u- H( e1 Q& B; Q

    - p7 O! R, _9 P5 `/ h实测:6 g1 D  y; `5 j. t, }
    % z0 c- Q5 \5 _/ V2 O- Z  X
    296K 字母,用了 9 美分。1 q( r; Q4 A* T3 I. L7 }4 q

    2 W4 j& K# O5 ?% x  j8 _2 ^3 i英文字母 到 token 用量大约 1/3
    6 \! x9 n( A  B5 [" X
    7 z5 y7 @. E' H9 K; htokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899' D0 E8 f& K: T$ {+ j. K, O

    ( x' v3 p6 s2 ^6 [5 Y32899 个字母花费 11782 tokens,包含输入输出的 tokens( r0 ]$ B6 w5 ]+ m1 `% G6 B; `

    " h1 g  `2 V, A: \* h' ?价钱,非常非常便宜了。  P, Y6 e; H4 l, h+ m+ B
    # K! ?+ N2 K, A6 o, m6 D
    参考如下可以计算,懒得算了。" M% }+ D7 Q  E7 G/ l# B. T, M, b
    . }& Z3 N, h3 P3 I+ H4 q+ ?+ B
    https://api-docs.deepseek.com/quick_start/pricing" r& z: L. @8 _& N0 A1 I+ V. \

    - h! t$ N- X- D1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14* {5 q& X8 `) a0 c
    1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
      A- A; _, t+ q& g5 G4 r6 `6 [1M TOKENS OUTPUT(5)                                              $1.10                $2.19
    : h2 G8 R9 J1 V
    % Z5 E; A' n  _; M5, Balance! t. P3 g7 a3 X' Q: P. V% @, b

    + F) P% v5 S& H3 D  k可以在程序里调用,知道每次运行结束后,balance还剩多少。( @, x5 g& o. K; u
    参考:
    : M! f" e5 h2 Phttps://api-docs.deepseek.com/api/get-user-balance
    ; ~6 t& T* M( p; u3 i1 ~
    " {& d* E, v7 L" B" \6, Models
    4 Y  a6 ^( y3 ?, i! F2 \5 I  i$ M* W
    / U0 g; z7 B7 d3 g5 o" b- x目前就两个$ Q; c. \. `7 e  [6 K/ J( i& d# e7 [
    # deepseek-chat* B% f$ |5 I) @) R1 k: d: E+ \. G
    # deepseek-reasoner: f* i( ?& y7 U
    . e: l4 Z! x  c* u! L' H
    参考:
    ( K5 M! l; M7 S# ohttps://api-docs.deepseek.com/api/list-models6 w. F, _, e4 u$ r6 `/ Z: w$ ]

    - Q* _/ e, ?- ]( a8 E$ x  V! q( V7 ^# X! S/ g# Z! J) c8 h
    7, 问题
    ( f  l1 S4 I% {0 @5 E' {1 M( Q7 l6 ]2 G; I9 a* Z& p
    deepseek 会将前后两段合成一段。9 `# r. Z. E1 O! g) ^9 k0 [
    特别是那种大量的对话的段落,deepseek会给你合成一大段。
    ; ]7 \: x+ L+ A" k; z! H
    5 T& N9 Y$ X/ f5 x( L8, 钱说了算。& M0 u- O0 a4 ?! `7 w" G! i% ?2 V

    5 w, N; {! h- |) q1 G1 udeepseek 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。
    9 p" r7 Y$ P8 t5 a7 c2 Z但是API就不会出现这种情况,毕竟我们给钱了。
    5 z' P% Y; ?9 D5 c% r" g7 f" O+ y7 bchatgpt也是这样的。2 b% c% E! c" W; l. n. z- C' h

    6 ~$ v4 S1 t0 B2 t- E( @' T; t# e3 e& J6 r/ \! ?6 z/ m! p/ d9 _

    评分

    参与人数 2爱元 +14 学识 +2 收起 理由
    唐家山 + 4
    老票 + 10 + 2 给力

    查看全部评分

    回复 支持 反对

    使用道具 举报

    手机版|小黑屋|Archiver|网站错误报告|爱吱声   

    GMT+8, 2025-7-27 00:25 , Processed in 0.043426 second(s), 19 queries , Gzip On.

    Powered by Discuz! X3.2

    © 2001-2013 Comsenz Inc.

    快速回复 返回顶部 返回列表