设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 2230|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* @$ O( [( a9 \" R$ w1 f
+ c; C* t' p  d* v把PDF上传,然后让他抓取文字,并修改可能的错误。9 h* x( h$ [  U
然后deepseek完美的完成了任务。+ u2 v# _& u1 o
段落清楚,列清楚,页眉页脚全部去掉。* ~0 x5 i( d1 J2 D% f
我要疯掉了!. d, O& K6 g! {
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!
5 e+ d% {; u. E6 O6 z9 l====
/ p/ S5 W" v% a4 Y, ?中文也很完美。
2 U8 J9 j5 Y" Y  q( G+ u3 ?经验值,每次十页比较稳定。
0 t/ k$ x! [# ]8 O2 F" L! a, y6 a6 h现在我这里API还不能用,等恢复了,全自动了。% q9 l6 ^7 ]9 V, D0 s8 T+ Z; z
====6 w, C& r9 s* }: w# S
第二次疯掉了!
" I& q7 {& I* Z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。! h: e  t' ^$ C$ r5 ]' N- [2 w
====; X0 T5 s7 D8 x- K' j" K, ~/ _
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。
; l0 Y1 }- M$ A- ?# s但是任务多了后,每次翻译的页面数是减少的。
# i: I( o6 `, h; E好吧,我五体投地,继续探索。
0 S! ]1 d( g" S" \$ p====! F* Z2 w# Q3 `! o- ?$ [9 H
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。
% g4 t* x0 p% P2 W0 x====
0 j! P9 L$ I8 ~8 o& w好吧,有些东西是不给翻译的,哈哈。
, I5 T  P2 K0 a7 G( b7 }
: p4 l: h6 T( u: d& I& ySorry, that's beyond my current scope. Let’s talk about something else.4 I5 M5 }' J: E1 g+ p; i( R8 K
====
! G: C9 w8 _$ o9 _5 ], ^7 T然后我的英文命令也让deepseek 帮我修改,呵呵。" n$ z7 S2 b  c: M, \4 [
====
0 u4 C. Z+ w+ ]' w4 t( v3 C9 }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。
( ?8 K' u& [2 V0 s0 n====
+ w4 v8 K0 d3 l# z时间段的话,北京时间的下午和晚上用比较好。5 k' r/ p+ }9 R, c7 `- P( t: i2 h7 Z
后半夜和早上,美国人上班了,要么在用,要么在黑客攻击。
$ [" s: s+ L, N; h' A====
; E9 n: X# s4 d$ H" F  {4 F用千问吧,非常稳定,非常强大。% q7 A2 \$ V8 O# l
https://chat.qwenlm.ai/
; `* S$ U) b+ k: F  j" w====
5 g' d: r9 o& y8 Y- ]4 U* j& v+ pDeepseek,API 看上去可用了,但是不给充钱。1 ~1 Z, S; E9 k. h! b( Z6 `
- \) `0 k$ d7 U3 d
. L& h  S& P% K
& Z1 W+ ^5 N8 ]+ U0 [

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
    3 小时前
  • 签到天数: 3603 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$ K/ }& g/ A+ h: i% a. ]( T1 i  D" }
    这功能很赞呀

    ; N3 D3 _5 C0 Y- @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 04:138 `' `, R- y; i# S$ A% L9 a7 q
    有没有上传整本书试试

    $ G; A- _: L9 B* u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
    3 小时前
  • 签到天数: 3603 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 , g0 C8 S7 \: W) j; O* v1 Y" l

    8 A' j5 |$ \; o  W  o) `" z以后让deepseek 读出土的竹简- a, A4 a$ v! ?
    * b. p0 A  l- ^1 V+ F: @  J
    还有把古文翻译成现代白话- h2 B" R6 t6 y- K7 v5 b

    5 `8 X& q4 I2 E% o5 L9 a  \* ~2 s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
    3 小时前
  • 签到天数: 2766 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?! B3 E7 f  A) p  F; ]' b4 e' Q  e

    ) O* P  S! ]1 K0 r3 d8 O+ Q, V6 m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/ M" W, e9 e% U+ |* T
    请教是如何实现的?
    ' [  j3 @/ N6 l0 B: \* }* I( m
    6 A0 G+ H; d/ H% A/ {% 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 ...

    0 f0 M, p$ E; X& D# J* W9 b, k/ b( B& \" M+ d# N" w
    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。
    % d+ W! w9 b. j$ D' @文字之类的没问题。估计deepseek现在暂时只保证主要功能。5 G4 u0 m% \" C3 A' Q% q
    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。
    " N8 \4 L0 U+ s: I7 `$ d

    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
    2 T( ?( Q& A  G请教是如何实现的?+ b; b( V% J9 o2 y' P" Q

    1 I; k5 j" G% r* P* G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 ...

    2 v5 y* l( p1 ]# \1 whttps://chat.qwenlm.ai/
    & O: [0 \7 a' C! O$ {: n  T试一下千问,估计美国人没有攻击他,所以资源敞开用。
    ) L5 N7 `: Q! i" T很稳定,质量不错,好像最多一次处理15页。: s% G2 |3 ]/ x2 H+ R; w
    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
    3 小时前
  • 签到天数: 2883 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。+ f( E5 Y' y$ v
    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。
    $ f+ z7 F/ ~" h* E1 E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”。: j/ C% \# `+ b& r: U
    4 }" X7 I9 V* D, v! ]7 G
    https://github.com/oomol-lab/pdf-craft, u+ m2 g" ~8 |

    " Y+ [- x1 o2 |. Y* T& C9 e5 _8 T1. 这个工具要求装 python3.10% V- ]  V% G( J* V; l( Z
    2. pip install onnxruntime==1.21.0, 有英伟达的卡:pip install onnxruntime-gpu==1.21.0! S, ]0 \8 i% I, A0 [! E; Z
    3. pip install pdf-craft5 g$ b' m, Y( _; u6 z$ N7 A
    4. 把下面的内容写到一个文件里,例如 a.py' v- T# r1 f% f8 A2 J: h0 t& n/ S

    . R1 `4 A; j) d" r) y- H
    1. from pdf_craft import PDFPageExtractor, MarkDownWriter/ _2 ]! D2 {0 Z' ^3 d
    2. : p# Y- q! t! @
    3. extractor = PDFPageExtractor(
      " h: B) e, [" t5 Z5 b
    4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format./ E# w% s2 O/ X6 u0 z
    5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
      / d, d  _2 M' v7 D( O8 [: U# E
    6. )
      ; e6 R* u  C( Q. n
    7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:# A$ M/ R0 m; s2 {
    8.   for block in extractor.extract(pdf="/path/to/pdf/file"):! z8 V5 H( V" f4 i1 G& Q
    9.     md.write(block)
    复制代码

    & a' w1 b1 e9 `2 |( }" X! M: [  P" b% K) s
    要修改的内容:' C, f8 T$ l6 n+ u, M
    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 e7 ~! w& }4.2 markdown_path:输出的 markdown 路径文件名0 F: O7 Z9 V% p
    4.3 /path/to/pdf/file: 输入的源PDF路径文件名
    : G- Z3 Q$ b  N9 @( e5 U4 O0 y$ d7 I$ `
    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
    8 z( u: f6 |/ H- H" s7 j' x. K6 ]; E& e( u1 c6 V# c% v
    目前为止PDF转纯文字的最佳办法。
    # p7 K# ?0 I1 P; J/ e/ J5 f8 @先写个小程序,把PDF按章节切成小的PDF。5 O7 ^7 D- ?0 Y2 n* J# K. D
    然后,把PDF一个个传到deepseek,让她抓取,除错,输出。; n$ N5 }* O: `" c1 a
    效果非常好。
    1 c+ S0 K" a7 y9 g4 n% O5 D1 e8 ?! o3 i
    deepseek,qwen,chatgpt 三个,deepseek是最好的。
    : q" |$ d& h2 z$ E' K# q$ a$ s
    * I& P: g4 n1 N8 h0 e- P- ldeepseek 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。; X+ v+ @6 X; I$ O# O' e
    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。
    ( {( c) i- i8 a我曾经修一个历史文章,chatgpt给我活活加了三段,真是文豪。4 \! R. {0 V; O
    9 I3 Q" h4 [' o
    API到目前为止,差强人意,不如网页版本修得干净。
    9 A9 L4 L8 _8 G* Y! \3 A( B2 o1 T, s, S2 \0 e
    deepseek可以同时开四个。8 D8 S) U, `! ?1 E

    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 $ r' Z- X" b6 a
    + m4 o! p+ b- @, L9 P0 p9 o+ [
    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
    " O5 E% w; P; [/ \0 J$ T! C( Q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 ...

    6 P* ^) B/ n+ A, _9 r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
    . N  U& g  g+ N* L1 |- L) G/ q细说一下,听上去很不错,多谢。
    ; n& @( Q$ ]& O! p  |/ 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
    ! a" _  G& ^7 S8 N" L# M0 z1 F6 j+ v# y0 r) }* a6 h( [' }
    已经搞定.5 F- Z' w' a" |, U

    . t6 R8 n! h: K7 W首先 PDF 本身已经OCR了,Adobe Acrobat Pro中自带这个功能。
    5 ~1 u7 c4 R& C
    ! C9 I8 ?5 t6 U1 O, j: y% t1, python + pypdf 按章节拆分小的PDF# X8 H5 M6 }7 Q, {, m0 y. ~0 K7 x
    : Z) T% k' {* E- j2 Z
    2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile( ^4 k3 A6 g- e0 a% K' L5 w8 Z

    3 L7 ~( S* Q8 {& ^  y得到text file2 E* h7 y, ?( V3 V7 Q5 R, x& V

    ' S/ n* f4 J9 Q% g$ K3, python 读取整个outputfile,丢给deepseek 矫正。
    * R3 U0 U+ A( s4 L( O) }
    5 d  k8 _/ P4 `, [  w0 e0 R( Y$ B模型是 deepseek-chat( L* o  A. b- Y$ c
    * \) s" ~& I+ Y
    max_tokens 最大是 8192,别的不用改。# \5 D. n  L2 Z' b1 T

      B( G, S: |) k: s, A参考:
    7 z+ L: i- I- i) d& ?https://api-docs.deepseek.com/api/create-chat-completion
    - h2 ]6 _% c0 L0 v$ O: k: `- W( r' O9 E1 ^- a; c; Q
    4,费用:. D, I( B, J, B: r8 h! z  b
    ) f/ h9 b4 G" p6 r; J6 l6 L
    实测:
    : Z" `) ]' @5 [. Q$ {' S# z) Q. @/ I0 G8 k. y$ D" t  j
    296K 字母,用了 9 美分。
    2 I0 {4 c/ O- ]# W5 L5 j1 p& L3 M$ e( F( Z7 q0 G$ W: a0 a
    英文字母 到 token 用量大约 1/38 n5 z4 B% g9 T: W- F
    " }5 y6 t8 `- V: {; e" J0 n
    tokens: total, 11782 completion,  3729 prompt,  8053 | s:  328990 \2 b5 ~7 b# M* w
    1 S* z4 [$ o6 e" I" h( S
    32899 个字母花费 11782 tokens,包含输入输出的 tokens" R. p2 z/ u8 n  h8 P' V

    7 d- g  g3 ^0 B* t& F- H! l价钱,非常非常便宜了。! I+ r2 t2 D% j  d
    & _1 w& m. ]/ ^. p! D# N# W
    参考如下可以计算,懒得算了。2 y& K1 X& f3 D- r
    * G9 t# b7 M0 ^4 }. c" d2 L' D
    https://api-docs.deepseek.com/quick_start/pricing
    " M% G5 a* u# ?$ n5 s
    ! z: b3 l. _3 N- r' x6 @9 N( n, n: n1 x1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14- U9 Z8 R7 @+ ~  i
    1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55! b, m) E/ Q( ?8 _/ K! e$ ~: H
    1M TOKENS OUTPUT(5)                                              $1.10                $2.199 n3 d, w3 f6 T! i' @$ h

    " D7 q  @6 l  a* K  I  k5, Balance7 [9 q' G' J9 s; D

    . V$ h0 I8 @- g# D, S可以在程序里调用,知道每次运行结束后,balance还剩多少。
    0 B2 g: c' x) T6 z, d8 D/ M参考:$ [% u# s) `8 d2 R( `0 j
    https://api-docs.deepseek.com/api/get-user-balance9 ~+ s" W( k' V3 X+ w: t
    8 y$ R2 B5 O1 p
    6, Models7 x3 W4 _- L5 H0 }0 c
    ' M1 g* k: E/ w3 {0 w+ C
    目前就两个9 w  G) T9 O) ~+ x+ L
    # deepseek-chat
    + K- }" G5 n* I0 W8 o4 i+ g- F/ f# deepseek-reasoner3 m7 i5 r/ r9 i) C
    # ~4 C5 x# u+ C: b. S* G
    参考:3 N; n& H; L; r0 R6 C  I5 |
    https://api-docs.deepseek.com/api/list-models
    " q' U  E. z- i/ R5 W# u- o4 f. L
    $ c" ]1 z2 c- ^) f) l
    7, 问题+ @/ k3 Q: S' G* c* S
    ' e: O+ M5 S9 w& }
    deepseek 会将前后两段合成一段。' m0 [4 d/ F& ]" s5 h% r1 W1 `
    特别是那种大量的对话的段落,deepseek会给你合成一大段。, u* a2 C. ^( s  g* ~7 ~& w
    % `( [. e0 B# C6 _3 S9 @1 z
    8, 钱说了算。
    1 X% _3 X) v+ c4 a, b8 j, F
    6 a& Z  S* j& Q0 O; fdeepseek 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。7 A5 k1 r4 C( h7 {
    但是API就不会出现这种情况,毕竟我们给钱了。
    / u! U( j. _) R8 [/ Cchatgpt也是这样的。" o) Q" w# U% }/ g- A! s: s) u; E
    5 a# {9 K" A& b9 i4 [" [
    : m# B& U% Z+ o/ ?  \" y. l- E

    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, 2025-11-12 04:01 , Processed in 0.039616 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