设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 2857|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 , c# K2 M$ \! N, S( G" X
! S: N' ~. C2 g% ~
把PDF上传,然后让他抓取文字,并修改可能的错误。
, I5 m! Z4 R# \% h1 s然后deepseek完美的完成了任务。
% L+ q% u' I( W9 l- g1 S3 I! E段落清楚,列清楚,页眉页脚全部去掉。
( c, ?8 y% {. V: Y我要疯掉了!
8 O+ F5 }+ m) C  m" K/ X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!
" S' B0 B6 u# ~- W3 B. Y8 F! @====
; l5 v( `) c- c. |中文也很完美。8 H1 U" }. C) d1 D% T4 N( q' Z
经验值,每次十页比较稳定。
- `" q  R6 v# \& K2 G# u8 S% z现在我这里API还不能用,等恢复了,全自动了。! b" @4 r8 I: h# A4 j( K, T& @. F
====4 F9 r* \' c! Y5 ~8 }
第二次疯掉了!
- V7 h" c) w: _# G* B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。: c3 e. {7 _5 [6 d7 A
====
8 R( e/ x, M; @4 V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。
: B% `% J! U+ N+ N9 V( p& _但是任务多了后,每次翻译的页面数是减少的。
" _  \: C$ ^# a5 a1 W  Z* b" |好吧,我五体投地,继续探索。: H- w+ W7 q$ v* M. }5 D5 m7 J
====5 E1 Z. j9 d2 q4 x( p2 ?
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。2 j; |$ M0 z, s4 C6 [( n( j0 I2 W
====2 Y/ q6 x* c- |  E9 E: l
好吧,有些东西是不给翻译的,哈哈。0 U9 x* B: q' \! i
5 i5 {! S; s7 ~, P
Sorry, that's beyond my current scope. Let’s talk about something else.
" K- Y5 x0 y# M; R& R- c  v====
: l+ V2 _) w' n% F9 {: x: Z然后我的英文命令也让deepseek 帮我修改,呵呵。% M5 c7 r8 `. s' s* H
====
/ N# k# y9 X/ u3 e7 Q+ Q4 g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。
1 m) P* e) ?% d- ?====! G$ R3 m' V8 y1 P) I) b
时间段的话,北京时间的下午和晚上用比较好。
* a3 b8 A. h4 b: ^! {/ n4 ?: a后半夜和早上,美国人上班了,要么在用,要么在黑客攻击。( }0 G# \$ ~/ f; ]; f
====6 h  `  W) n- t2 j' a: U5 @" V2 |
用千问吧,非常稳定,非常强大。# R7 f1 T- U% ^2 q# R( s) P+ \# p
https://chat.qwenlm.ai/
) Q5 |; o1 L. y, ~====
  U/ t" X4 r* M& [. wDeepseek,API 看上去可用了,但是不给充钱。5 [, c+ d4 y6 }* q$ N* B: n
2 `  T, Q, U+ D! e7 _+ M$ B% @
' q$ k; ]8 ^) Z( U
8 C1 w3 F5 y( U5 n( u1 Z

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
    5 小时前
  • 签到天数: 3746 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
      {& N6 D% b/ f这功能很赞呀
    2 C' ~. b7 i6 w( e3 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
    " ]2 j4 L$ s" p9 k% E0 ?3 a6 b有没有上传整本书试试

    # m, s/ B8 _8 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
    5 小时前
  • 签到天数: 3746 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 h, X) G7 P0 _4 H8 [; V; Y& i

    1 p0 \' a- p. H8 h! b  N  m; ~以后让deepseek 读出土的竹简3 p! u1 Y9 I& d. j5 T

    $ g! s+ i2 m- h$ m还有把古文翻译成现代白话
    & o$ M: Z; ?9 W7 Z& u. J$ w% b; S6 h
    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
    4 小时前
  • 签到天数: 2907 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?
    % g, C& j0 ~& ?; ~2 n- @" l2 L0 U4 S1 Q, r
    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
    . Y1 N; O: z% w: h: @! b, P9 D0 O请教是如何实现的?
    $ U9 i" s) P6 Y7 [# R
    " z& p) o% r4 c' C, R4 n0 o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 ...

    + A' ^, j* v) J/ e
    % v( N" N( t* h. G2 Q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。
    $ r6 E$ d( I% m/ x文字之类的没问题。估计deepseek现在暂时只保证主要功能。" V8 e6 U8 ~- f
    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。, \, Z/ o, `& C+ O& u1 S5 I$ N8 k

    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) o$ Z9 ~- Z) N, E/ X- Q
    请教是如何实现的?
      O1 j9 Y4 R* K# U. C* _% g
    / {6 E& k  u. c" b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 ...
    . h+ P" @: q* b, Y& m+ @' g. w. z5 T2 d3 O4 d
    https://chat.qwenlm.ai/
      I7 _. Z) H9 K1 Z3 t, K/ N试一下千问,估计美国人没有攻击他,所以资源敞开用。7 V* b# F( G, ^
    很稳定,质量不错,好像最多一次处理15页。& I% T* N" _2 `" D( w+ S
    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
    5 小时前
  • 签到天数: 3019 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。0 V# s/ ]4 R4 Y6 R5 E$ ^" f! x
    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 Y$ O! [! I  ~* \7 n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”。
    4 a' h9 K: g8 ?7 g) m( A% m" v2 S& Y; V
    https://github.com/oomol-lab/pdf-craft
    : E5 M) ]5 o% _7 f
    4 r# i) r9 u4 C' @/ w1. 这个工具要求装 python3.10
    ' J  j( M  j+ F/ z! m; e2. pip install onnxruntime==1.21.0, 有英伟达的卡:pip install onnxruntime-gpu==1.21.0
    % l7 F9 L; q% E# P6 j3. pip install pdf-craft
    1 `% h8 e4 a0 ~6 c. A4. 把下面的内容写到一个文件里,例如 a.py* Z6 j$ y9 Y* r) ~( R

    4 \! ?& c! x) K
    1. from pdf_craft import PDFPageExtractor, MarkDownWriter
      2 R& A( e& n2 g7 G) X  e' a/ Q8 {
    2. & t; K% A: l+ r5 f. I
    3. extractor = PDFPageExtractor(
      & ^# Y$ T) d6 z) z7 m  v
    4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format./ ]" L# c1 o* }0 O' l
    5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed; k1 M3 v$ s) U
    6. )
      9 Y( Y+ I9 c9 W3 k
    7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:8 p7 i1 T" }4 J" d: P+ O8 u" B
    8.   for block in extractor.extract(pdf="/path/to/pdf/file"):
      , S  z1 K! X: p/ N
    9.     md.write(block)
    复制代码
    ; ?/ ?+ s. ]- \7 j; Y

    3 G( Y( |- Q) p8 H5 V5 X要修改的内容:4 F  O. q" K' ]. ^# c9 t
    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- l( Y5 F) X/ _/ r5 V
    4.2 markdown_path:输出的 markdown 路径文件名1 B/ u4 o9 v) b" Z; I" x9 [4 f8 ]
    4.3 /path/to/pdf/file: 输入的源PDF路径文件名
    $ Z8 }1 F. x% Y5 q( b$ E/ Y9 x; w# U7 {
    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
    / ?' w/ T( X1 o* G3 T/ V/ i$ \6 U+ i9 Q* K3 @
    目前为止PDF转纯文字的最佳办法。
    & E0 w$ T3 n$ ~1 W先写个小程序,把PDF按章节切成小的PDF。) y8 _, o7 P8 ^* t
    然后,把PDF一个个传到deepseek,让她抓取,除错,输出。' t7 ~4 j4 H* t. e+ h
    效果非常好。  j% x% ~% e# ?2 ]% b+ {

    ! A4 f) [5 a% {9 A4 ~deepseek,qwen,chatgpt 三个,deepseek是最好的。3 w, t3 O% R4 J, m6 ~# V" g2 v
    ; v' S  Z0 w, B
    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 L; T4 e0 E8 h# C$ b, `
    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。
    5 L, K7 R) p0 V8 g我曾经修一个历史文章,chatgpt给我活活加了三段,真是文豪。- u8 I) S1 E+ B7 l& F
    . t! S; y, \$ [3 s$ {
    API到目前为止,差强人意,不如网页版本修得干净。
    % i* v: [3 K. m2 t9 O* S3 \# s* a2 I: M$ p& m! d3 W; @1 R* S# o. d
    deepseek可以同时开四个。) z" K5 S9 k& G8 ?8 I* ^" d  b

    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 ) n8 @0 E; |* c* K; Q7 e
    % @3 y/ f+ ?- R' @2 i) W
    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/ k+ W* Y% _6 L, J
    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 ...

    ) ?, o9 Q, \% p% D* u3 l& ?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! U2 Q# o: [) F- i2 \* c) Y; Z
    细说一下,听上去很不错,多谢。
    & V% ~- i) K( ], p) H9 O
    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 + j: V4 {" j0 l$ t# l

    8 r5 W! P% }! X已经搞定.: c' g+ a" ]; |1 W7 a) \( I& L
    0 M& J% P( y/ E% H# j* K0 v( p, I2 |
    首先 PDF 本身已经OCR了,Adobe Acrobat Pro中自带这个功能。
    . ^5 g5 B. U! f! u) A* {8 U: q: ?2 j+ y
    1, python + pypdf 按章节拆分小的PDF
    4 |; a+ l* e, X
    & B: E) |: _6 X# ^* d. i7 ?2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile1 q7 T$ b8 S" |5 `

    % ~3 c0 v8 o/ M: A7 G0 H得到text file  G! z: V# Z1 a* V. [

    : k& T8 T, |: x1 K3 E) c3, python 读取整个outputfile,丢给deepseek 矫正。
    . D$ e; y& U% D% z$ k
    0 M' Q5 Q' q% A. L. D模型是 deepseek-chat
    6 g5 }9 m. {  ~* h6 _" X+ T7 m  q3 y; M7 m7 }( @. W% }: c
    max_tokens 最大是 8192,别的不用改。- o. J2 D' {& Z* u+ b8 [

    4 H* o9 `/ }  ^' i0 ?6 b! {$ [参考:
    8 n3 j& }. U. {https://api-docs.deepseek.com/api/create-chat-completion2 N9 A1 X6 U$ r  x' j3 k" j6 E
    % z* D7 d2 y3 F) x9 a3 G
    4,费用:% v; o- C4 Z4 E( e2 b( \
    ( l  c3 L; r  _, z  }
    实测:1 A2 j$ g. o6 {. u
    ) [0 o' M2 C* p8 L5 N" r
    296K 字母,用了 9 美分。" d7 `# M1 @- u5 r
    9 F1 v( I; E( n. d! o) e1 o/ r
    英文字母 到 token 用量大约 1/3+ J* f. S7 L8 K' s1 R2 T9 T
    ! g" _* V- q/ x2 L+ S; Y
    tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899' g3 i3 a; c6 d

    8 V& T. |7 s' ]' a  V$ Y32899 个字母花费 11782 tokens,包含输入输出的 tokens
    7 `9 D% [' ]7 b
    ; e" n" E5 x# n- v  H# M) M3 Y/ T价钱,非常非常便宜了。
    ) e" L; B4 y8 J; C4 h; A: I4 i+ m$ ^. p' Y
    参考如下可以计算,懒得算了。
    : L* h( e8 ^1 Q! z( w
    * Y2 Z1 n* h9 U8 Z4 k1 Q9 |( Y5 ]( Uhttps://api-docs.deepseek.com/quick_start/pricing
    ! B0 w& B$ Z3 c4 \* x/ C! J) T2 H1 _2 |1 k
    1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14# P3 q% l5 U& T/ m
    1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.556 w. O5 I5 j' c9 }
    1M TOKENS OUTPUT(5)                                              $1.10                $2.19) O& d, [" T+ H$ a; k9 E. P, V4 H
    2 j! Y7 t; X( c" X) s
    5, Balance
    $ w1 f# f& h* N& i0 J. s
    4 W/ s2 o" W" K  G可以在程序里调用,知道每次运行结束后,balance还剩多少。9 z/ _! r# k  l5 b! }( l
    参考:3 J* X5 D9 H7 U% {% G8 o
    https://api-docs.deepseek.com/api/get-user-balance7 f+ @* K7 T# P' M( E& ~# L
    8 |. K2 U6 w9 _: E
    6, Models
    / P# e/ a! t1 ~# z
    % n* Z6 K! U6 K& w0 g* H4 p  o目前就两个
    + _  G8 u( g! Z# deepseek-chat3 b  \: i4 ^1 a  C6 V$ ]( F
    # deepseek-reasoner) x- p- o. \9 C7 o7 K

    7 M* q5 t7 \* h: I参考:6 @* p" q8 F6 {; y. \" K
    https://api-docs.deepseek.com/api/list-models; T) d0 n8 b6 R2 P
    2 a! p& d* e2 |8 h7 O6 b

    % n1 {1 y6 B6 Y7, 问题* S: l9 `- i$ n% i  _, K

    - x, u5 y, z6 J- l9 D, ldeepseek 会将前后两段合成一段。: f3 q2 A( C. B# j. S5 _
    特别是那种大量的对话的段落,deepseek会给你合成一大段。
    3 v5 H; }! c0 ~& B/ Z, \# U# s
    . p! e9 r: ^$ J5 w6 v6 R' F8, 钱说了算。. w6 J0 a& g& E- g: C$ W# C

    ; x4 r/ q1 U" y0 o5 ]3 Pdeepseek 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。
    0 O7 ], z7 p! j# m8 [7 R但是API就不会出现这种情况,毕竟我们给钱了。
    7 U- {# g9 E+ b# s- }7 _chatgpt也是这样的。
    : J7 g" ]# C# {( p. N  H) a' c1 _0 O* i( t% G  h
    : O  L/ i& |3 W$ M

    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, 2026-4-6 05:24 , Processed in 0.067223 second(s), 18 queries , Gzip On.

    Powered by Discuz! X3.2

    © 2001-2013 Comsenz Inc.

    快速回复 返回顶部 返回列表