设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 1641|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
2 A# E9 O3 f  @! B9 o* H' g1 ~5 x' t( ~# a; A1 `8 v
把PDF上传,然后让他抓取文字,并修改可能的错误。
( q$ z% U% ^6 B* p# q( Q然后deepseek完美的完成了任务。$ z2 ^/ E) M& Q& R
段落清楚,列清楚,页眉页脚全部去掉。: [. a# E/ E% j( t3 W; d0 q! O
我要疯掉了!0 m2 D; E1 |# a" h% m
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!1 a% {, \9 w8 k; n7 Z" j  ^
====
; x4 k  n, ?) s% i. c! |中文也很完美。- T' T. U7 ^! ]1 [# X
经验值,每次十页比较稳定。  v+ s( E0 T  `( ~% o
现在我这里API还不能用,等恢复了,全自动了。' V0 _  Q/ ]% a# K. r
====
7 C  p3 N: d: q& h第二次疯掉了!- ?$ m" v& v' d2 i0 q
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。% W. E/ d, T* p( S4 [6 p9 }
====! W! Q! W0 Y, K5 J3 ?; W  q: ?7 s, I
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。
, I6 M9 p' \0 p6 n3 J# r* P但是任务多了后,每次翻译的页面数是减少的。; H0 R5 O8 R1 M. W& r6 }, V
好吧,我五体投地,继续探索。9 X7 ~! i2 d0 n. A! S# K9 v
====
! j, }  U3 L: d. p  H* p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。' ~" x' o3 ~  h, |3 A5 c; r9 S
====
! a4 ~1 R" z, {( j0 |! ~1 b$ v好吧,有些东西是不给翻译的,哈哈。
1 v  S: L- w+ I
( ^9 f( T8 [5 ~1 z1 l1 [Sorry, that's beyond my current scope. Let’s talk about something else.7 Q# U( B; t2 ~) h1 ^
====8 {/ V. Y" E& C  A1 \  P
然后我的英文命令也让deepseek 帮我修改,呵呵。( h8 f! R. f2 w# H
====
$ |$ e- e4 X3 {4 K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。5 U/ I3 [9 F" l# c
====
, Y8 \; I4 {+ {8 @) N" g; g时间段的话,北京时间的下午和晚上用比较好。
' y4 F1 n1 W9 {4 K2 d2 i4 c/ N后半夜和早上,美国人上班了,要么在用,要么在黑客攻击。
& X  V8 [0 T: w& U7 `; g====
; C+ Z8 F6 P6 `用千问吧,非常稳定,非常强大。
4 P9 e: z3 K1 phttps://chat.qwenlm.ai/. @8 d) b5 `% a3 D
====
8 t1 I! D6 [+ z5 ~, M' f2 LDeepseek,API 看上去可用了,但是不给充钱。
& c2 @- g, o& T% B) E( S& `( T
  {# F$ \) V- a* Q: I& p% }$ T4 r! N
0 m& [5 \& r/ z) z2 F, C0 {; ^2 r. f6 `1 ]6 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
    8 小时前
  • 签到天数: 3519 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
    / F9 o8 L. {0 X7 r* C7 P这功能很赞呀

    / U& y6 s' B  `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" d' @+ o% i! p" {
    有没有上传整本书试试
    & z& e# M0 B/ U1 I5 p
    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
    8 小时前
  • 签到天数: 3519 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
    7 L" z* A' a) h  Z% F+ `9 f5 a. i+ c- ^* b( ~
    以后让deepseek 读出土的竹简
    ; _: D8 V) T; Q7 F9 J: @5 _3 G' h$ E/ }
    还有把古文翻译成现代白话
    1 h8 y2 V" P+ a; ^* g. h9 V6 ^
    4 V, A, s* h0 {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
    7 小时前
  • 签到天数: 2669 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?
    , }5 N9 G  `, ~9 Z  B( P- P! S
    0 {' q6 E) j2 L! Q- v) \. c9 W6 N6 Z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* w3 ]0 O8 U2 V: p' p
    请教是如何实现的?/ W0 S/ G  ?# Z* ~) m

    . q7 s) E$ n( L" E1 `( [1 b& 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 ...

    $ v  {/ I+ r4 R( Q8 t, n6 I* Q' W* d$ Q# d
    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。
    $ x% R7 a, f7 D; B8 L' e文字之类的没问题。估计deepseek现在暂时只保证主要功能。
      V# x. ~6 k8 n/ h8 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。
    : H' e; H5 w2 ^, m, S, |

    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
    ) [7 m) u% v& A1 G8 X请教是如何实现的?
    0 g4 _& O  _  @! f& ?) E& U# S" N$ s& y
    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 ...
    ( i4 \, D2 i$ T$ K' e6 C; `! K; M
    https://chat.qwenlm.ai/
    ( X% Y5 q; ]9 q9 ^: h6 u3 I! l6 Z4 a8 C试一下千问,估计美国人没有攻击他,所以资源敞开用。& s! m9 B+ V7 I9 S- z- k- y
    很稳定,质量不错,好像最多一次处理15页。
    5 t+ G: M; C2 F* q% t5 T  J3 v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
    7 小时前
  • 签到天数: 2806 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。
    9 K) {* s5 Y8 U3 \: t4 Y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。# Y  y1 D* B. @  `
    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! l; o4 G. L% e6 i) B

    ( e" `( S' l1 R, lhttps://github.com/oomol-lab/pdf-craft  C5 v! W: ]6 o) p
    7 e+ q$ ?5 P  L. Q' d: c
    1. 这个工具要求装 python3.10
    2 ?" ]2 S# f; Q% q2. pip install onnxruntime==1.21.0, 有英伟达的卡:pip install onnxruntime-gpu==1.21.0
    1 }7 E0 C! |: m; C4 D, [2 w. n5 S* y% i3. pip install pdf-craft
    " g; l& ~8 |6 |! r* Z4. 把下面的内容写到一个文件里,例如 a.py0 N( |- n, V) `7 U! p$ |: P

    $ _4 B. X1 H# w* _4 Q
    1. from pdf_craft import PDFPageExtractor, MarkDownWriter" |+ H  Y0 O: E: W9 l" s: x6 G
    2. 5 u9 ^: W  ~& O2 `  g, g
    3. extractor = PDFPageExtractor(
      3 v4 g0 p3 |+ R3 p$ G) r
    4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.. v% \4 w1 }6 Y! a- {) s' a
    5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed  L8 d) y" N/ L( H! Q7 q. V
    6. )( P% B+ R  x! d7 q" i
    7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
      ! y! j" \! \5 J4 V) `( y0 k& c/ u
    8.   for block in extractor.extract(pdf="/path/to/pdf/file"):8 t. r6 _0 c7 V5 [6 W2 l1 f8 Q
    9.     md.write(block)
    复制代码
    $ \% J+ n3 |( R/ ^3 V9 g

    + C1 ~( ^+ V. w" [. q$ ~" r要修改的内容:
    ! B0 ^" ]: h9 N% w" n* a% @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
    - e/ y$ e- r+ h3 T! Z; K" G4.2 markdown_path:输出的 markdown 路径文件名
    * k9 [; T. s% m8 f4 M4 `# |4.3 /path/to/pdf/file: 输入的源PDF路径文件名
    ! w2 U. ]1 q, k' X2 A7 k& k3 H) z! i
    % M. |4 {) w9 e) [( A5. 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
    ( b7 Q: ?- t1 {3 M+ ^+ b2 b; m* ?1 E5 W( G
    目前为止PDF转纯文字的最佳办法。
    1 q: m# A, O! @8 P  P: G先写个小程序,把PDF按章节切成小的PDF。* k9 T: E6 [$ i
    然后,把PDF一个个传到deepseek,让她抓取,除错,输出。- ^1 J1 v6 T" K; c; t2 v
    效果非常好。; u! }1 [  E% Z' p% w

    $ `( t. v* ~, G+ G4 {4 Gdeepseek,qwen,chatgpt 三个,deepseek是最好的。
    5 A+ g' K2 P" {/ P4 y
    - a# T0 Y" x" G0 U" Z, `, ddeepseek 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。/ A: _  \' d* `* ~( D
    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。
      d) x/ h4 R  ?* ]& Y4 \我曾经修一个历史文章,chatgpt给我活活加了三段,真是文豪。
    ! y9 c8 @" z% ?0 R" w
    # A5 A( k3 @2 _) ]' tAPI到目前为止,差强人意,不如网页版本修得干净。
    . J# g) [9 X0 K! x6 [* m# ~# c) M1 c: W
    deepseek可以同时开四个。7 N: C7 A0 ?9 X5 d& H2 ~& V

    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 . k$ u6 [0 p  K/ W3 ]9 H

    / Y) s0 R8 r' H+ A, C$ }) k; A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 12:26
    * N0 n% b8 n  m5 M1 B4 [( h" F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 ...

    # J# I+ [0 Q6 D" G$ d3 u$ {. w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
    8 Y- V- H4 Z7 w; }/ m细说一下,听上去很不错,多谢。
    ; e! h. m* D8 J' m/ ~+ y
    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 $ G3 B# Z4 @( @8 x/ U4 v7 b# N; C

    7 t9 J* _: Q8 x已经搞定.) n; m. u- |9 ^% ~! Z. \

    # q2 v, c6 w0 @: E1 j% E首先 PDF 本身已经OCR了,Adobe Acrobat Pro中自带这个功能。
    , W) d) O  B- N3 ?: ^# u& W# R! T7 n' c+ C
    1, python + pypdf 按章节拆分小的PDF
    7 q& o% e. s/ e& z7 n8 I( i) Q3 I& A6 e/ M7 h
    2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
    7 F( m* k. R% Q2 R. B4 o7 R# B6 t6 U! p" v/ T5 g. W: T2 N
    得到text file; M) q9 _, q; l4 n0 E
    " Y3 x1 z/ E) ]) p
    3, python 读取整个outputfile,丢给deepseek 矫正。; `) E  P5 P1 [8 ^6 A  }1 X. f
    $ ]& i& a( e0 t$ o8 E  J
    模型是 deepseek-chat" Y0 s* P% w* Y5 F

    : X6 T  a, j4 X8 g! n& bmax_tokens 最大是 8192,别的不用改。: J, m5 {* B+ [: t5 N4 a
    6 M1 x# C7 I$ z  h* T
    参考:
    $ X9 u' W% L$ L; H8 k- i5 ihttps://api-docs.deepseek.com/api/create-chat-completion
    4 D0 @  X0 f( R/ S2 o" G8 e6 ~& L" D- y: V+ V7 A
    4,费用:
    ( R3 s0 N; G6 e( w  T9 S* d) D" r
    实测:. J- g, Q/ l' B4 l' G! D

    1 \+ `7 K; w, c8 W296K 字母,用了 9 美分。! n" T  v% @  l, l7 V; l5 V7 ~
    3 m" D1 j- b# T- U3 ?* h/ a3 @3 K
    英文字母 到 token 用量大约 1/3$ Y9 O. V; x) f; O2 C8 @) G- K
    - u& c4 F5 X  |" N
    tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899, x5 D  w7 e% g  C: h% n' q
    % {4 ~7 W: l; E8 X
    32899 个字母花费 11782 tokens,包含输入输出的 tokens6 S, \8 X6 c; U1 O: Z3 F( V" \
    " g! b) m0 e2 V- m
    价钱,非常非常便宜了。
    , K: n; Z8 i& y- s  h+ Y4 [- I, H6 z* L' Z
    参考如下可以计算,懒得算了。; }; B5 W- E0 z

    3 p* `, f" I6 D' `/ nhttps://api-docs.deepseek.com/quick_start/pricing+ Q8 j- P/ f. u9 n4 D

    ) K3 b. X7 D1 q; e' V# J1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
    2 M2 l: G5 Z- c1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
    * p% b2 A2 I: V, h; u9 a1M TOKENS OUTPUT(5)                                              $1.10                $2.19
      |4 s3 E( |9 d6 G  `: M# U5 P( Q4 G2 B6 N7 z. K4 t; w3 W
    5, Balance0 V0 O$ }! f2 I) q4 c, l$ E
    ' o4 h$ c6 K* _0 c$ g4 X
    可以在程序里调用,知道每次运行结束后,balance还剩多少。9 r+ ]$ w) X+ b- A
    参考:; S/ f7 a% m, c8 B0 c$ u) v
    https://api-docs.deepseek.com/api/get-user-balance4 ^; ^! D& g& L4 e5 @3 N( V
    0 a* b5 \, T. S3 ]/ n5 V% }' e
    6, Models9 O. ]+ _. y1 W) Z. F3 n7 o2 i

    # L! V5 R5 H- N2 F7 s目前就两个. I+ _4 t! P* T
    # deepseek-chat' t- c7 ?, i$ N( R
    # deepseek-reasoner
    ( Q/ ~" x  ~0 U( h* a" c: Q8 g: J  [7 l  O5 n
    参考:
    1 C' w, U3 \% X1 b' Mhttps://api-docs.deepseek.com/api/list-models5 M* N5 |2 s6 @6 |% O, B3 r

    9 g0 r2 O+ p$ W( w8 t" T
    1 m7 J6 I( l; k) U/ s; C- {/ `+ Z7, 问题
      I8 c. w( `7 O3 H. s
    2 c; @! W% h6 b8 W0 Bdeepseek 会将前后两段合成一段。
    # {6 B; |  X" C; W, ?' k6 W# ~9 @特别是那种大量的对话的段落,deepseek会给你合成一大段。
    $ j$ }- m; ]# T- M: q. _2 c6 X: L# i  x. O
    8, 钱说了算。1 j$ ^9 u9 |$ H) G$ E  j" g& J

    $ R/ p7 ]: ?& e8 h+ R: \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。& g5 C% {. [2 ]8 p" a& R) {! X
    但是API就不会出现这种情况,毕竟我们给钱了。
    5 |0 a/ g" O0 B8 m* Gchatgpt也是这样的。
    + E; P. F, A, Q) i! t
    % g% ?3 H& q" ~( g' L1 {0 B( }* W4 O, w8 S$ O: [) e- g

    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, 2025-7-23 08:48 , Processed in 0.050563 second(s), 29 queries , Gzip On.

    Powered by Discuz! X3.2

    © 2001-2013 Comsenz Inc.

    快速回复 返回顶部 返回列表