设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 1666|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
8 d, U3 V; o$ y$ ~% O
+ B/ T: t) l5 R; F5 y+ C* x! l" U把PDF上传,然后让他抓取文字,并修改可能的错误。
# v* w$ P- Y) j' q9 @& a6 @  r然后deepseek完美的完成了任务。
1 {- y$ \: v' w/ b# a段落清楚,列清楚,页眉页脚全部去掉。
: h8 `4 X, ?; @* ^我要疯掉了!/ H8 C, x# f- M/ t, 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!
0 A: f: B2 [$ D====
( S3 m; M% F( F. E; j8 |  x$ A+ ^中文也很完美。
7 y4 q0 j1 X) `6 v* ^2 l7 l- j' C经验值,每次十页比较稳定。  M, f+ P) E3 ~8 a2 V
现在我这里API还不能用,等恢复了,全自动了。
! p0 |3 ?) A: U/ ?% r====
2 o- A' ]  v0 V第二次疯掉了!2 w1 p) {2 G7 C
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。8 z( a, d6 v* f& |. Q" T
====
, ?0 s7 n. Y5 E/ e0 t" J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* C+ l6 n" ~  y6 ^# Y1 S
但是任务多了后,每次翻译的页面数是减少的。) N' L9 V6 i' _# V
好吧,我五体投地,继续探索。
$ S6 v  {' T$ X: e' U====1 D; ?8 \. C' |5 n2 ?3 Q8 [
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。# g1 h! i) x1 O5 a. {$ u
====$ I4 _( `+ y* `* N8 M# |
好吧,有些东西是不给翻译的,哈哈。" x- J# b( A& C7 [& N; U7 a( V: E* l
0 \. A* s4 B( p+ {$ {
Sorry, that's beyond my current scope. Let’s talk about something else.
. |. a+ R9 u1 o====4 _; f: Q* b* M
然后我的英文命令也让deepseek 帮我修改,呵呵。) j( Z% M% v8 Z: Q6 q) j: b
====
7 j. t4 q- e0 c2 k& 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。
" k" a1 k% ^2 Z! @====
1 n" A. S9 h" N$ U! j' F时间段的话,北京时间的下午和晚上用比较好。! l! N8 q( c; E! f2 W3 L
后半夜和早上,美国人上班了,要么在用,要么在黑客攻击。# [+ ]3 O9 T) W( r0 I2 u1 E0 |; p
====2 c0 P! x0 v! X! R& ~" [
用千问吧,非常稳定,非常强大。
& I" T! r; l$ w1 U1 \9 ~: |https://chat.qwenlm.ai/
$ N& B& ~) }4 F$ Q3 i====! R4 f1 `! V8 x* ?: b+ G. }4 r
Deepseek,API 看上去可用了,但是不给充钱。
1 {" V9 A- B% a$ Y8 C* p
3 D9 w' n/ @, c) z' i7 X$ ]( w7 i& e: P# w8 g
4 D/ T7 g# }: n9 G

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
    20 小时前
  • 签到天数: 3522 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
    ' u, M2 L) D1 u这功能很赞呀
    ) h2 s! O. J4 z6 f" t" Z1 k/ 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, k* B8 [& s- W
    有没有上传整本书试试

    7 e' k: R+ n& D9 O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
    20 小时前
  • 签到天数: 3522 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
    ; T( f' i" M' [1 O6 E8 K
    ' p: Q! _) X  @以后让deepseek 读出土的竹简; H. L, E: p: ]  Y. ^$ w7 ?7 I" o7 M
    ' B  J7 E8 u1 Y+ x
    还有把古文翻译成现代白话
    6 M+ v( ]: e6 t( q# j% Q* ]' m. u4 B
    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
    17 小时前
  • 签到天数: 2672 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?/ z: ~4 ~3 `. v" Y- S

    , A! `( B7 y' G: F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
    2 n% Y8 ^. V0 ]0 }5 T9 i2 r请教是如何实现的?
    ) L7 a1 n0 [$ n. I7 a
    / c5 O$ L: W0 C! @( D: a) 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 ...

    + Q: [8 D1 I" S$ K6 `$ }8 e( N8 o
    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。
    " U! i' R) ^) A; ?% @/ m+ @文字之类的没问题。估计deepseek现在暂时只保证主要功能。1 }5 h$ O) a5 ^" }2 y( 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。( J' U  f0 z! r0 _3 R1 H

    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& a7 q. D5 e$ M
    请教是如何实现的?
    2 b- L# |# l, A6 I' N' p0 O5 c
    5 h7 E* ?1 W# d4 t5 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 ...

    4 V; K* Y: @7 B0 g2 v  A8 w+ \https://chat.qwenlm.ai/
    0 V+ Z' i5 u3 h* u0 ]试一下千问,估计美国人没有攻击他,所以资源敞开用。
    - u( N; f5 k9 ]5 @0 t6 |很稳定,质量不错,好像最多一次处理15页。
    , v" H" ]) M4 E) D1 R% 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
    20 小时前
  • 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。
      o3 L$ X) c0 T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。
    0 ?* c; d. ~' i0 Z" W; M% v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”。
    ' l7 r. U2 y% t- L' c" a
    % ^7 N" E: [  g) A* B/ Lhttps://github.com/oomol-lab/pdf-craft
    5 T+ N  f' H8 e& T; Z$ e1 x2 K% k0 v  @
    1. 这个工具要求装 python3.10* m7 D2 J# C4 Y  v- u7 K' p
    2. pip install onnxruntime==1.21.0, 有英伟达的卡:pip install onnxruntime-gpu==1.21.0
    9 r9 [& q- z' `7 ]2 c; O3. pip install pdf-craft
    $ m$ s* J; b2 C1 u# l: g4. 把下面的内容写到一个文件里,例如 a.py1 r6 C: R& `1 x2 Z$ K$ [3 C8 d

    * j' t9 i1 V. K! m: D) j* h* C
    1. from pdf_craft import PDFPageExtractor, MarkDownWriter  S  }; Q: u2 E) X2 O

    2. 0 i8 j: J( X) K1 b
    3. extractor = PDFPageExtractor(
      . T. G0 ]; W  {+ l3 ~8 r. l
    4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.  f! `* W7 X- x/ z# N* d
    5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed0 ?0 B/ M9 Z$ [- v' `  Q9 A4 \1 B
    6. )
      - U! _, P5 \; {2 f, n) v: Q
    7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
      ; I3 u, p0 }' |- s6 h
    8.   for block in extractor.extract(pdf="/path/to/pdf/file"):3 ~0 L3 x0 [+ U1 c
    9.     md.write(block)
    复制代码

    ( _+ D8 A4 {# t- _
    . C; G8 D1 u$ K2 s8 h" f# W) V要修改的内容:
    7 X( T# u) w; C5 G% l4.1 /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' n# K5 v' K6 r1 ^# @5 U( t5 Y
    4.2 markdown_path:输出的 markdown 路径文件名+ J* P3 C/ V) l3 j4 \' V
    4.3 /path/to/pdf/file: 输入的源PDF路径文件名
    8 H! F; H* c" ?. J( A7 K8 q& z) Q" q) i  h4 r5 K9 y
    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
    4 y/ W$ ]; v* p$ P# H2 N) O+ ?# D  C! a  e( |
    目前为止PDF转纯文字的最佳办法。7 A  G. w* ~$ K+ M
    先写个小程序,把PDF按章节切成小的PDF。
      I5 N3 }! b- h然后,把PDF一个个传到deepseek,让她抓取,除错,输出。5 o8 i9 U4 z' P& ~2 a
    效果非常好。6 X! W$ k# M  Y5 I& x5 U
    4 p  C. Y6 j  i
    deepseek,qwen,chatgpt 三个,deepseek是最好的。" `. S( U7 D9 L

      T& M+ ?; V- Q# A# `' f! g" Cdeepseek 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。) C  b6 I4 Y4 V2 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。
    $ k7 V8 |9 d5 J8 Q4 @2 J我曾经修一个历史文章,chatgpt给我活活加了三段,真是文豪。' x8 B$ }+ _, \1 Q2 r+ W! q0 D% |
    , n% g; N4 S: \$ g  ]& k
    API到目前为止,差强人意,不如网页版本修得干净。
    ! j2 d( S: }: X* d  |/ o8 z
    3 Z. s! ^7 g; l) r, {# gdeepseek可以同时开四个。- u. G5 x, a& `* S' T  y

    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 . ^+ H# e2 R) e6 Q+ j+ Z

    ' I5 O2 {1 H% F. Z4 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 12:26- G5 [6 l4 B( K. o- J8 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 ...
    " s, J9 }  }( {  p& B2 A# m1 A
    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 16:334 v- u. X4 d% v9 u/ j" k
    细说一下,听上去很不错,多谢。

    ! ]7 _/ E4 ~, i- d( @4 K: ^4 ?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 & s9 g# I4 c3 @" N/ Y8 V  C$ b

    ; `  T; d' I8 W  o' r. G已经搞定.
    $ }5 u! \  L. l/ ~
    2 c; \% j+ @" j首先 PDF 本身已经OCR了,Adobe Acrobat Pro中自带这个功能。
    . `% T6 ?; H) V' q3 j8 S; M. L
    5 f7 U. J' ~, {( J! j( h9 J* u1, python + pypdf 按章节拆分小的PDF! f" R5 a1 ]3 U+ y0 Q% c0 S7 E& @! ]
    " w: h, b; s6 I9 Q  `
    2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
    % r2 r' t8 h; ]( E; N/ [& w% X% a2 a7 {* T0 X+ \* d3 P
    得到text file
    + a% L, S) ]+ a" n! A7 ^+ ^' M9 Z9 X% _2 G
    3, python 读取整个outputfile,丢给deepseek 矫正。
    7 f5 ]+ y  Z! [: c8 Q8 y! s" o7 Z
    1 k7 O+ {0 Z4 I/ f9 D' X( v' o模型是 deepseek-chat
    * u/ W5 _8 D: G, V) E4 d  U9 B- G4 ^: Q8 v: ?9 {1 v
    max_tokens 最大是 8192,别的不用改。
    $ o# \7 B! e" I3 e6 F% k
    9 o) c  u, H) c参考:
    ( j% `2 {/ P. I2 k2 }https://api-docs.deepseek.com/api/create-chat-completion
    9 l/ y8 l: F2 g4 D1 Y
      o; W6 R9 K$ z! _6 [+ I/ O4,费用:
    3 u0 ^8 f& b# L
    : n1 ]# n$ H& `0 `3 b+ `" N( ^实测:
    * f0 {# j0 A1 Y1 j; G$ {& s& L$ O$ ?
    296K 字母,用了 9 美分。
    3 c1 @9 @5 q* f) @& ?% X& G  l8 A4 g, Q9 Y+ J* X
    英文字母 到 token 用量大约 1/3/ B& v% Y7 ]0 B* Z7 N/ [% Q0 e

    9 a$ J3 w3 \& o9 D  Z1 M  q% n; wtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
    ; B8 C1 V3 ]8 N7 ^* m) Z  _+ {/ B2 L7 s& J$ n7 t
    32899 个字母花费 11782 tokens,包含输入输出的 tokens8 \5 H% @% k( m) e8 s
    9 X  k8 s, d5 _9 h
    价钱,非常非常便宜了。5 N1 U- G" W# W3 M0 E( n! A
    # P' `9 B' G0 Z1 ?
    参考如下可以计算,懒得算了。
    / T; m# l+ `, S0 \- F9 j+ I+ r* c7 {2 c; ?
    https://api-docs.deepseek.com/quick_start/pricing0 l$ l6 e9 W) d) \

    ) o! `2 o5 H) o1 f" `/ ^5 E, \0 P; g1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
    ; A5 J8 v7 O) ?# o2 k- _& V1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
    2 d: l3 B- j( a0 d- r) z5 |1M TOKENS OUTPUT(5)                                              $1.10                $2.193 _/ F$ v$ @  \6 p5 ^% ]
    8 Q# N/ X1 z# C4 `. E  o* K
    5, Balance/ m  F( P$ C* L. \+ G# W3 |, H
    4 }) m; m# `$ @% L' Z' Z
    可以在程序里调用,知道每次运行结束后,balance还剩多少。$ ^/ \% ?3 K4 Y4 i) g
    参考:
    ; s+ K% N) s, ~6 R" whttps://api-docs.deepseek.com/api/get-user-balance
    : w! ?6 b/ Z9 G
    / {- V. ^) ^& x6 Y' R+ H2 e$ Q. P% T6, Models
    0 F4 @+ v) h5 l# z- m/ I" K3 c
    4 V+ E; R# Z) c0 U! }' L目前就两个
    6 e6 a; b2 E0 {7 Z/ c" f: X4 b# deepseek-chat
    ) Q$ N4 D: p& J& u- a# deepseek-reasoner6 V" s& w$ l" n5 I, Y. F
    : B: b: @( a4 |$ O8 x5 f" @: k4 I
    参考:
    3 ?! F, R: \! c' }7 Lhttps://api-docs.deepseek.com/api/list-models
    2 Q! d( f/ U) ?! h+ S2 z, O, |; |4 b" [/ n$ `/ e+ m
    : @1 e1 s7 f0 E5 x0 a+ h) @
    7, 问题2 ?4 m* C, k0 \1 \" h
    1 m6 @" B6 O( A2 b
    deepseek 会将前后两段合成一段。- \% C& a, Q, a3 J
    特别是那种大量的对话的段落,deepseek会给你合成一大段。: {$ X+ w6 a% p8 P& E' D

    ) z/ S$ W; k7 b6 g" b8, 钱说了算。- Q7 G  d0 s  R* a$ Z5 S

    # I! h& ~! O1 e2 jdeepseek 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。
    6 ]) W& f/ c+ y/ G但是API就不会出现这种情况,毕竟我们给钱了。( i) ?# \1 ^$ i
    chatgpt也是这样的。/ Z$ P0 u; W5 R: b4 G" l5 t

    / C+ ~# \1 \9 S/ W# E: j0 F' |! ?2 u, Q1 r! S; 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, 2025-7-26 20:50 , Processed in 0.045821 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