设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 1552|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 ) _" ]: G. j' r" n

3 F9 J# u$ @. s+ D把PDF上传,然后让他抓取文字,并修改可能的错误。
7 F* [5 C/ z; B然后deepseek完美的完成了任务。, G# ^/ X3 L5 y$ Y0 R/ e" e
段落清楚,列清楚,页眉页脚全部去掉。  T( X& M# y5 ]% ]* }& ?
我要疯掉了!
. i( X. T6 Y% s' _& _( H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!
$ H' s7 k% i9 M% i" V: }====
/ J/ c* m* Z# w4 Z/ @  ?5 z中文也很完美。
& L4 v' Q' d9 L" k% z经验值,每次十页比较稳定。2 q0 M7 o" v* ]1 M
现在我这里API还不能用,等恢复了,全自动了。1 ^/ L: T0 P! o' Z4 o
====
* i, A" X& T* O. R4 K第二次疯掉了!
4 ?; |1 i, g3 i/ }; A/ k9 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。
2 X& f2 X- R! a2 i9 v! ~( t& Z====
" d5 k7 L, c" C, J- x9 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。+ N! D3 }5 |& U0 B- i9 l1 b
但是任务多了后,每次翻译的页面数是减少的。
2 K, N4 I! @: W) E1 ^; Q* }好吧,我五体投地,继续探索。
! e% x8 c0 ~7 @( d8 H4 k====
+ G; K6 O$ U% q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。
" U& {4 D/ q3 M2 J% o+ m====! R* C* q0 Z/ s7 ?- p
好吧,有些东西是不给翻译的,哈哈。
0 a5 K' Z0 ~+ M& ~+ h  F4 @/ W" h2 {5 r# m6 H2 l; u4 i: [( h# r
Sorry, that's beyond my current scope. Let’s talk about something else.
, g% o# S3 y7 `- ?6 x' M6 T7 N9 `====  }7 ?. {& k3 u' N) X8 _
然后我的英文命令也让deepseek 帮我修改,呵呵。
8 |1 W4 h( J6 ]2 R====/ h' m6 `$ ^+ {/ D- I
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。' O: v0 w" I) w. F, i. m1 F3 `
====2 f# T! z8 `/ M' {4 Y4 [$ W
时间段的话,北京时间的下午和晚上用比较好。4 r4 g4 ?0 L- w
后半夜和早上,美国人上班了,要么在用,要么在黑客攻击。
% b4 ?" k# }+ r4 @( G" @====
* L3 W# l0 l' g; |, H* ^4 f用千问吧,非常稳定,非常强大。
3 s* J5 _5 c# Hhttps://chat.qwenlm.ai/( u: f9 k! O2 O3 d  O6 J
====
, U2 ]" y& q8 ~! SDeepseek,API 看上去可用了,但是不给充钱。
8 u. h+ Y- Z' N/ x) z
. y" Y- \! f/ O' k9 K) I4 I1 X! y: E9 Q+ S/ f# c5 ]5 S

! m  {" U+ p# H, [  w2 u

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
    半小时前
  • 签到天数: 3498 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
    & _" ?7 Y0 K* Y& B; b+ z+ v8 ~这功能很赞呀
    , s( X0 I. r: E% t1 b1 b1 }3 Y+ C( x
    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: X' ^" {! k6 C有没有上传整本书试试

    0 Z* F. q+ ?# W# |% Y. ^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
    半小时前
  • 签到天数: 3498 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
    ( n8 B7 z# }3 O1 s- }6 l- |; J, N; f6 k0 a: H  e* {
    以后让deepseek 读出土的竹简0 S: k. E+ o/ |2 W& M
    ! ^# ?$ M1 @( ~: X) V8 M7 J
    还有把古文翻译成现代白话' M& M( i3 M$ {0 p
    5 W' N0 s3 a) P8 U! Z9 x# P
    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
    半小时前
  • 签到天数: 2649 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?
    8 V0 a; b: e# y7 i5 K* V' Q- D9 [+ d! H( y+ L4 c4 f' c
    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
    " T. Y3 J! V4 k1 T2 u/ V请教是如何实现的?
    ' V' G4 P& Z- O4 X" ?2 g" }) S# S3 ]& a8 S( @& f6 x3 Z+ 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 ...

    ; M, G) N) S% T1 n2 X+ Z. v0 k
    ' q3 C' ]% `; E1 r- d+ j. u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 }4 ^) [5 u2 S* T- U0 c
    文字之类的没问题。估计deepseek现在暂时只保证主要功能。7 @. z- s, v+ f7 S3 v% P
    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 b0 y; C0 j% p/ I  @9 B2 o

    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 01:239 }, }! V6 x/ F
    请教是如何实现的?' I: o: S( Y2 O0 V& Y
    3 b) }( |3 N& y1 A5 ?
    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 ...

    ( V1 c7 x3 W2 h% W  s7 Nhttps://chat.qwenlm.ai/
      G+ B' _' |% T9 l2 r- `试一下千问,估计美国人没有攻击他,所以资源敞开用。7 [/ Z8 p' e5 d( ]2 S1 W+ l
    很稳定,质量不错,好像最多一次处理15页。
    2 y) z8 `% w( ]. z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 天前
  • 签到天数: 2785 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。! i" J& J0 W3 z" S: n4 g4 q
    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。; C+ W5 b3 T  ~
    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”。% J7 ~) Q0 x0 W0 v* @0 D' f; t, w

    $ w* x3 w. Y) Z# _6 t: ahttps://github.com/oomol-lab/pdf-craft3 a; H; r3 S; y/ W+ o$ @
    * F6 ~% _% |2 b; E
    1. 这个工具要求装 python3.10
    + F! a: u. T* s" p2. pip install onnxruntime==1.21.0, 有英伟达的卡:pip install onnxruntime-gpu==1.21.0
    , x" z+ O- V5 E5 _% i% }3. pip install pdf-craft
    2 ^+ m6 ~. }  H0 m; O; i( b- H4. 把下面的内容写到一个文件里,例如 a.py
    , O+ V* {8 A  @1 x' ], I& J4 L% M3 Q2 Q) r- K2 |
    1. from pdf_craft import PDFPageExtractor, MarkDownWriter) B, ~* a7 L' {: Y! i' H

    2. . D/ b: ], z# k6 T$ |- g4 O
    3. extractor = PDFPageExtractor(6 D! \/ {% w* g, M
    4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
      & ~+ [, F1 }% A# p1 X5 Q
    5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
      ' v/ _' T3 Z. e& k$ j
    6. )5 {& w& h- s5 b8 k. O/ G
    7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
      + O7 w0 p* U4 \& }$ }5 d6 p
    8.   for block in extractor.extract(pdf="/path/to/pdf/file"):5 ~. O* k' Y* i1 g  d7 V! C% h
    9.     md.write(block)
    复制代码

    . u! R: N& e" N( ^. U* s; L7 r  \8 I6 w7 R
    要修改的内容:6 R' E4 t& I1 p1 w6 v4 e* K
    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7 S- `) H+ d  o( c) y: m+ E
    4.2 markdown_path:输出的 markdown 路径文件名3 w% v- v: x) W
    4.3 /path/to/pdf/file: 输入的源PDF路径文件名- N5 v4 p2 j! I
    9 X, u: h! ^( s9 b$ `1 K
    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
    - E$ H5 [3 g7 W( W1 Z# X; _9 t& ?( E: W* X$ C0 F# h0 _
    目前为止PDF转纯文字的最佳办法。
    ' X! L$ }3 a  @1 Z先写个小程序,把PDF按章节切成小的PDF。
    3 w: d8 h! J0 K3 q0 j( {然后,把PDF一个个传到deepseek,让她抓取,除错,输出。
      Z! E* S( i$ L( H( l/ l效果非常好。
    1 Q5 A: ?8 Z: N% a+ B8 U) X/ a( g/ {* w( Q% G
    deepseek,qwen,chatgpt 三个,deepseek是最好的。
    $ o/ Q+ C7 I! A
    5 M. a' X  Q/ f, sdeepseek 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。0 n* {  X# B5 I# {+ K) n) 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。
    - Z/ n2 a2 `, W5 D) H' ?! ?- R$ z我曾经修一个历史文章,chatgpt给我活活加了三段,真是文豪。
    + F4 u% P/ w% ~7 n+ B2 Y0 Y' j0 V7 I( k+ h9 R
    API到目前为止,差强人意,不如网页版本修得干净。3 _; p7 P% H4 n
    ! Q8 f& U& Q. I
    deepseek可以同时开四个。  {( L. j6 P' m+ 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+ t5 \/ b6 r& P* I/ X* n1 \% d8 s- v5 S
    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 12:263 x* @$ Q1 Y6 K
    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 ...

    * v9 w  t; f, v& [& Y9 C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& ?3 j' K, J0 C0 @6 u$ o+ y
    细说一下,听上去很不错,多谢。

    0 b4 G$ i" D, Z0 Y! |6 ?7 u9 K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
    % Y6 B  Z/ R  P, ^, v9 ~  |0 N
    0 u* n! o7 v8 ^- a' ^0 I' U4 i已经搞定.
    6 [% W2 y) ^# J+ M' d# X7 [
    , y6 }9 o" U5 X首先 PDF 本身已经OCR了,Adobe Acrobat Pro中自带这个功能。
    1 f5 s  A) d7 E' p* t
    . `* D7 B( |! k, w( K7 q1, python + pypdf 按章节拆分小的PDF
    1 C( s& W6 c5 N  I& V; K3 N
    & W% p& \# }7 y8 E2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile6 L6 y6 E& |) A

    4 v! n& e# [, _6 o' Q得到text file$ E9 L6 a8 J& S
    / b$ {3 K0 S. C2 a
    3, python 读取整个outputfile,丢给deepseek 矫正。" V* o& u4 G* J( ]

    4 }4 A2 q! I6 P; f模型是 deepseek-chat
    3 r0 l& S5 e0 `6 _' `( ]6 M1 w. D% ?. r( o2 a8 R- i
    max_tokens 最大是 8192,别的不用改。1 N0 b( K* @& s0 U  p
    ) `7 V8 H/ J1 H3 n1 q
    参考:- z) E! s# z; n! j4 X/ H
    https://api-docs.deepseek.com/api/create-chat-completion! b- v: a2 b4 b
    " J: U9 R( }; m5 c; O% X& G8 V+ A. j3 U
    4,费用:
    , H* j: _# ~) E, t5 A( e
    & v- r+ _( C. |. e/ k$ v, K实测:
    9 \4 ^. C% }) s) Y) w9 X& V9 g" [. s' L4 f+ j4 r
    296K 字母,用了 9 美分。
    + p% _  C& |* ~
    3 B. b' v- Y, l: V/ t" Y: e英文字母 到 token 用量大约 1/3
    . [: A" o* }- L6 V; D7 k3 w5 g, ~- ]
    tokens: total, 11782 completion,  3729 prompt,  8053 | s:  328993 ^) I5 X# S* r0 J
    ! V  W7 U) F7 d- c# o
    32899 个字母花费 11782 tokens,包含输入输出的 tokens1 v6 e: I; E8 T2 y. M9 V" I: O

    0 ~! h- t) _* R4 a; x( w价钱,非常非常便宜了。
    0 A1 g3 o& ~4 t6 `! q" h* V% F" {2 w6 W; ~' e- |- O7 N& f; ~
    参考如下可以计算,懒得算了。
    4 u& t9 [3 P+ t9 ]" o( ^
    4 F: g3 Z* L; Y4 q: q: s% }  Qhttps://api-docs.deepseek.com/quick_start/pricing
    # _# R) b3 C) I2 g8 O/ n: y7 X7 U4 g$ X  v( h0 ?. ]) r  h; X2 |
    1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14* J+ f7 \. b0 A
    1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
    5 e+ h1 ^2 u. b8 l. c  k1M TOKENS OUTPUT(5)                                              $1.10                $2.194 t3 x' o3 t! n  X6 B, J, U, R) a+ `) V

    . f4 t# j8 t* s% Q# `- }+ v5, Balance" S9 \4 N9 r2 d+ P+ H3 r
    ! n+ o" m7 @0 `
    可以在程序里调用,知道每次运行结束后,balance还剩多少。" {- M* ^0 h0 s+ _- t
    参考:7 p' t! o4 k! j* w
    https://api-docs.deepseek.com/api/get-user-balance
    & G# }0 _, R9 g; i1 E" H) Y4 ~6 `7 [2 [2 c- U
    6, Models3 O, I8 a9 t' F0 k" b* }1 D
    9 B9 J+ O5 _3 S: i
    目前就两个
    ) @4 X, |+ w' b# t7 D+ v: h# deepseek-chat
    2 @1 @5 w7 b; Q4 b5 ?2 K2 T% ?# deepseek-reasoner
    9 L1 y( e: {2 z* l; D0 u( l" j  A7 p$ P' w. C; X
    参考:# f0 x5 D2 e' s2 `  |
    https://api-docs.deepseek.com/api/list-models2 U) H  k2 Q& U  t( A( ~! K

    # {4 H) b% j9 q, X8 C  U" |! \
    7, 问题5 j" R, q0 g  S0 R: R

    ! s, L( d2 x/ E; sdeepseek 会将前后两段合成一段。4 @5 e0 v/ }3 H% b
    特别是那种大量的对话的段落,deepseek会给你合成一大段。
    + ~6 a2 ?1 W7 D1 e- G5 q2 Z; q- ^' ~- a9 e/ C+ U
    8, 钱说了算。
    1 r2 v9 }3 o$ K1 b2 D6 `1 H1 p1 X  s2 S6 {
    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。
    ( M- O  g4 f1 P, n, w/ z. J0 j  y- e但是API就不会出现这种情况,毕竟我们给钱了。, t  T/ u6 F. F) Y# Z
    chatgpt也是这样的。
    7 ~6 {, d$ N7 `" y$ T9 `9 _" h
    2 S; t4 ]9 F) \- S/ ~+ q7 Z* x: g6 c% G6 \5 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, 2025-7-2 00:56 , Processed in 0.077575 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