设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 2451|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
: S  O8 ]6 s2 t/ p4 k, T
3 s( B3 F1 E9 M- B4 F6 V6 d$ Q把PDF上传,然后让他抓取文字,并修改可能的错误。
8 D3 \3 c6 t9 G* R( u0 H然后deepseek完美的完成了任务。
( q0 M- e) T. a( {$ R- {段落清楚,列清楚,页眉页脚全部去掉。
5 \* }* D6 y. a8 Z* @4 a我要疯掉了!7 f  A# C" R9 ]/ ]2 m& K( e
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!
* C! s8 f7 A! \+ A3 c====4 R$ |" ]* K+ S
中文也很完美。1 }  a, r/ f( J4 p" \) q9 ?- P
经验值,每次十页比较稳定。
! ?2 b  k. m% G& r1 e现在我这里API还不能用,等恢复了,全自动了。' P, |. I. L) m" z" U# r# {0 P3 V
====
: v  T6 X; a* o+ E第二次疯掉了!
0 C" t  u4 H# ]0 W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。
% C. i* e) B+ P====- Y2 j6 u4 q1 k; F# Z. ]0 Y( D% D0 }: h
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。
' i% M2 Q6 \- C7 E9 ?  u但是任务多了后,每次翻译的页面数是减少的。
. F# ^# S4 p8 q# C好吧,我五体投地,继续探索。
$ ]3 d% w1 r$ x; H====# e& N' i6 u! A6 ~* r
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 I! E9 h& `" n6 p5 Q3 |2 n8 d- }: R====
& `3 M( i1 z; u+ Q/ Y0 r- Z好吧,有些东西是不给翻译的,哈哈。
" o  m9 h- H0 i, O
) k6 V) ^! j7 |9 C( q( h1 oSorry, that's beyond my current scope. Let’s talk about something else.
1 `+ ^5 o: w* D( m# x- _* R: E====& {9 t  T+ @6 I
然后我的英文命令也让deepseek 帮我修改,呵呵。2 h* C/ [# h. b7 u0 U
====
, m' H+ x. g3 O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。. M" d( ^3 r2 c  Z" Z
====2 ]# E7 U# j8 \3 i% p2 t- C4 o. m# B
时间段的话,北京时间的下午和晚上用比较好。
, P4 r6 }. K: p, u% {3 C; p后半夜和早上,美国人上班了,要么在用,要么在黑客攻击。* |# D4 t9 M! {: y
====4 J* Q* Q6 S2 h5 D
用千问吧,非常稳定,非常强大。" y! c: _, T1 O) i+ h" {
https://chat.qwenlm.ai/8 P/ R# V" Q4 h3 m- ]" Y* s' _5 A8 e
====
! y5 h# ~; p! {7 Q! [Deepseek,API 看上去可用了,但是不给充钱。, M1 ]! |, O/ ^" L% \
4 G) T5 ]6 z" ~8 k% d- M
4 \: ^" [- E, N5 x
& F0 `( V- H$ j, {# Y

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
    10 小时前
  • 签到天数: 3641 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" C: r) Z- [. o5 U3 N
    这功能很赞呀

    # S" K8 i! T# Z  G- _3 @& S+ C7 w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
    ! h/ e+ q# Z3 M2 k8 }有没有上传整本书试试

    ! C' \  ^) Z' h) Q- y- I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
    10 小时前
  • 签到天数: 3641 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
    ) ?2 E0 D7 a5 }- V2 e" Y
    7 A! [+ u( w  a2 }6 i; l  a7 H3 s以后让deepseek 读出土的竹简9 |9 F" H$ g' k' k. _$ Q4 Z& m! q
    6 k+ M! }6 n; R. P$ X" v
    还有把古文翻译成现代白话8 a9 |/ m" T6 X. G/ k
    0 O9 p5 N# e9 A% h6 x# O8 x
    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: 2803 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?1 E: c. q( I4 L+ C
    # t+ F3 e6 J2 p2 Y% z6 }! j
    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 01:232 t. S8 ^+ F* f
    请教是如何实现的?
    ' W+ p! S/ T8 [# H' f& X. h9 |3 t
    1 ]/ d* N+ y! e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 E, s4 P: C7 F
    " X( I4 Q% f. ]' o3 u- P, D1 @
    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 @" _0 P5 x2 J
    文字之类的没问题。估计deepseek现在暂时只保证主要功能。) V8 Q# E0 o, W" C# 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' M& H' |8 V1 i; b- h- v

    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
    ; [4 m9 Y% o8 b2 S1 ^' ]请教是如何实现的?
    3 S% K- F% r% I( b# @# v0 P  l: L4 T, S! M9 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 ...
    ) _# I- H  W+ K0 _
    https://chat.qwenlm.ai/0 E4 ^. v9 x, R+ q6 q" E: I
    试一下千问,估计美国人没有攻击他,所以资源敞开用。# D: V0 W9 u! H5 N( |
    很稳定,质量不错,好像最多一次处理15页。
    / E# D) n  b& n  ?$ @) t( r' 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
    10 小时前
  • 签到天数: 2919 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。+ }4 e. I1 C9 ]. J
    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。7 K2 o  d$ t4 V) \; u" k0 S* 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”。
    # p, V+ ?9 V5 a1 L6 R, H* c
    ! s$ U, w! D6 B8 ?) \" xhttps://github.com/oomol-lab/pdf-craft
    - H, F+ z6 x: U6 O8 o; a/ M0 k5 e7 Z+ c2 z9 \: {
    1. 这个工具要求装 python3.10
    ' X6 O3 M7 n2 S; @& t/ o2. pip install onnxruntime==1.21.0, 有英伟达的卡:pip install onnxruntime-gpu==1.21.0
    ' r$ u7 A5 x+ v8 o- ^3. pip install pdf-craft; N( Z& U( z' L2 Y+ O' g" i
    4. 把下面的内容写到一个文件里,例如 a.py. E; ^. R4 }, C1 [" Z) t+ A( ^1 R+ o
    * `& L  D' o7 s, B4 U
    1. from pdf_craft import PDFPageExtractor, MarkDownWriter
      $ `4 b/ m2 u- ~3 |- I7 j; a5 J
    2. 1 o4 w' v+ S( q( u2 R
    3. extractor = PDFPageExtractor(
      # F8 C1 k7 ~  g0 E
    4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.3 Y" E- \# H" q1 r
    5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
      * V! r4 D  t$ z# H8 c
    6. )
      # G. z; w' D  G( {3 I
    7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:
      - C1 ^  [: s) i, b& s3 L. h* o9 `7 v
    8.   for block in extractor.extract(pdf="/path/to/pdf/file"):6 ~) |. o$ t0 b* z; s
    9.     md.write(block)
    复制代码
    2 l, U) A. x( x# I) ?
    ' X. z$ O/ L% x- A* x) ?8 [' C: U
    要修改的内容:
    / _7 j5 n3 p8 T' M) I7 K6 }+ V4.1 /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, `  |& b5 Y3 j1 h4 W
    4.2 markdown_path:输出的 markdown 路径文件名
    & m8 J; M8 Z  s4.3 /path/to/pdf/file: 输入的源PDF路径文件名, C' K- d5 d3 v  b* w1 v

    # t' A  s2 Z/ a3 x2 @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
    3 |9 G  B! y3 K
    & ?3 `6 M, U, `8 O( U目前为止PDF转纯文字的最佳办法。$ M8 j5 q  D: {
    先写个小程序,把PDF按章节切成小的PDF。& E& ]0 }% L0 R. V0 `
    然后,把PDF一个个传到deepseek,让她抓取,除错,输出。& I" h5 p' n1 g
    效果非常好。7 R& z5 d/ e) Q5 s
    & o) q, C; w7 E8 j8 u
    deepseek,qwen,chatgpt 三个,deepseek是最好的。" V- i# |; j, r( @

    5 y' i# b0 I( e; Hdeepseek 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 u  Y! V" M! R' @# e& J( T; N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。
    . m9 f/ M; l: X' d我曾经修一个历史文章,chatgpt给我活活加了三段,真是文豪。
    0 g6 w6 @5 v7 V/ o5 q+ j4 `
    4 R7 L! j' b: B! F5 p, l" _, P) |5 ?API到目前为止,差强人意,不如网页版本修得干净。
    & Q8 i- e$ L! w9 v0 O, e) Z
    ! v% Q1 C$ [4 \! T& l& Y, {deepseek可以同时开四个。, R4 q7 q7 N3 ~, N

    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
    , D+ j9 Y; Q: O/ t" Q4 I6 w' I5 S6 d, |1 E0 g
    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& Y, _6 x  Z5 _1 A! y
    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 ...

    ' [+ f5 d! `8 Z& \( t5 |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) }! h  u8 i3 P! ~
    细说一下,听上去很不错,多谢。
    1 ^6 Z7 o! p# A  e. E! s
    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 0 k+ I1 l) j: y; b
    4 A+ F- H2 L% {
    已经搞定.% M% Q$ y3 E) l$ w
    6 f1 b- g* C# q0 H
    首先 PDF 本身已经OCR了,Adobe Acrobat Pro中自带这个功能。+ {* ^& T5 }' {% X* R: t- g

      q- H; _8 w  K( \3 L" g1 P1, python + pypdf 按章节拆分小的PDF
    6 C7 m8 F# G2 E0 b5 T* l$ j8 ^/ p+ g% l
    2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
    8 B' o  b# g$ i( v/ [3 K) Z4 ^' y3 u! z# e; A; ~9 Y" m' [* E
    得到text file
    2 K6 v' v" Y3 d; e0 K( D  z2 d8 \3 C! C  l* s' F" b0 X# U
    3, python 读取整个outputfile,丢给deepseek 矫正。
    # Q# L/ W. A- x- e  e; h4 W7 J
    ' O2 P2 Q, l8 z" ]$ V模型是 deepseek-chat
    ! q" S+ }( Z+ N+ ]  F. P
    0 Z1 m+ _' q' g( b( R* V% }8 Emax_tokens 最大是 8192,别的不用改。, x7 V( |2 `6 l. W" M

    / C3 w3 k6 S# r- [  W, i' ]参考:
    + \8 Y% a- g7 w" B* W: m! E# c: {https://api-docs.deepseek.com/api/create-chat-completion) n  s' N7 X% K5 }9 K/ H
    , c+ B$ }$ U" {
    4,费用:
    ( ~: N# E5 Z  ?" G& E
    8 P: C4 L8 Z  O% L( f; J$ Q实测:
      ~$ C" a# I) z! d. _5 `& d3 @! J' A9 Q
    0 S5 {4 J4 |5 Z1 H0 A8 s9 z296K 字母,用了 9 美分。8 _/ p: D" @+ s; K, i4 I/ p- Q  T
    ; t. `9 C' n. z* P) Z! P. G& L
    英文字母 到 token 用量大约 1/3
    - p, A- P: b' t: X, l
    1 H8 I( w; `  ?0 f* gtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
    5 n( d2 O, R5 }* R$ _) K1 A8 z4 M. j" j0 \2 G$ a; {5 H' ]0 s
    32899 个字母花费 11782 tokens,包含输入输出的 tokens
    ! y' R' y' |7 {( q" Q/ J
    $ d/ C2 `: z" b6 g( x# t/ \价钱,非常非常便宜了。2 R/ r- Y, d0 E

    . K  E# Y( x) ]) h* C- F参考如下可以计算,懒得算了。
    - p# ~" u. ]; C( }9 K  N# x9 ?# t2 r
    2 |3 I6 D8 q, phttps://api-docs.deepseek.com/quick_start/pricing" N2 c3 K) n1 _1 w1 h: L& ~

    # e. U4 a5 x+ j* |  D1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.142 X& m  c; j: Y: l
    1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
    ' ^$ H7 ^$ \% c# C) H1M TOKENS OUTPUT(5)                                              $1.10                $2.19
    : T* l6 x9 V& r5 b2 h8 A$ X  b$ I- |/ F9 i3 C4 j6 {
    5, Balance3 Q  L$ S6 m/ p8 \* `

    ) y8 e# a, t  b可以在程序里调用,知道每次运行结束后,balance还剩多少。2 m0 V5 U/ s/ a! v, e
    参考:/ U5 b/ b. E! y: p4 i/ r
    https://api-docs.deepseek.com/api/get-user-balance
    # g. Y5 R: o  ]0 J4 P% m+ n4 ]- D* _1 d2 l4 D& |+ m4 Q( h1 k/ ]
    6, Models, \; `5 T! R; N# u) E/ ?0 A

      }3 C% M6 z. W1 W" @目前就两个
    , J; Y# f# j' E7 ^8 r# W) f# deepseek-chat. z6 W$ S3 t8 G: ]  M
    # deepseek-reasoner) X7 ]8 g9 o. ]* m9 W! `
    ) B5 _# d. I1 E% ]) [9 r
    参考:
    & `/ w+ `" ^9 u. }) xhttps://api-docs.deepseek.com/api/list-models
    - L( w9 l5 o8 Q& n; `1 h% n  [- _" a2 o

    4 M# v9 S  `4 y& N* Z7, 问题1 G# K/ E$ J! L/ B7 v/ P! f, Z
    ; z4 T8 ]& v! Y5 t- m( N
    deepseek 会将前后两段合成一段。7 r1 o0 m9 |6 k$ o5 _- l: }
    特别是那种大量的对话的段落,deepseek会给你合成一大段。. H( O) R5 a& x% P' V1 f2 V

    ! F8 @2 G1 _' s; ^$ Y# B8, 钱说了算。, N% z( b% Q5 b3 c3 @+ G
    / @& m% e2 H+ W7 K" J
    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。
    4 t( p) t, I* z  I1 E1 K但是API就不会出现这种情况,毕竟我们给钱了。0 U' J% h  G8 a. d/ r
    chatgpt也是这样的。. _7 x7 p, k  g, F+ l, f; J
    $ M" ^, ?# ^* P2 Y; X

    $ L5 U' Z9 v0 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, 2025-12-21 10:48 , Processed in 0.042485 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