设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 2819|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 g/ T# v& v% J/ h+ `9 i  n3 I
" s- h9 P( i9 w. P5 t; a# b( u: K& v把PDF上传,然后让他抓取文字,并修改可能的错误。
6 C' n# [+ _  }. g! ?' R然后deepseek完美的完成了任务。
+ ?& N1 ?1 a6 o' r5 E段落清楚,列清楚,页眉页脚全部去掉。
; [5 d6 X  {! u( v我要疯掉了!
7 N2 c: S; S; }  _$ ?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!
! E2 M" A# F5 M$ Y====: l& y2 e  C+ V, o  @8 j9 x6 E2 q8 h
中文也很完美。' }6 V" f3 f7 \7 x
经验值,每次十页比较稳定。& U& ], T! H# S, f
现在我这里API还不能用,等恢复了,全自动了。
+ D: \. g  e# L====! W' g8 Q/ _1 ^
第二次疯掉了!: h5 Q/ C1 \. O9 s
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。% s7 u+ s' O' m4 P+ N
====
  }& {- Q9 }& o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。9 q% t, d7 F. U& O' [2 m
但是任务多了后,每次翻译的页面数是减少的。
: P- f+ o, X4 t0 F9 Z6 m3 I$ P% U好吧,我五体投地,继续探索。
; n$ k1 V# q( q+ Z====
+ u  |. t% P- a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。5 @: A# _( v" E2 }- T9 z- Y# \
====
+ H+ E9 Q' h/ f+ K好吧,有些东西是不给翻译的,哈哈。
2 _0 i& ]3 V3 E' \9 N7 m  P$ f
" X% k% Q1 {* wSorry, that's beyond my current scope. Let’s talk about something else.
# S, K! {6 [  E3 [' B/ N====, q. s# z$ O7 ?6 g
然后我的英文命令也让deepseek 帮我修改,呵呵。) r5 `3 A- d; M# ^, \. \1 J; t
====) a3 G! n" _, U. \# I, v
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。
+ }: ~; a# E! h5 q/ {====
7 `  k$ ?4 F0 Z5 v% P. m; {7 e时间段的话,北京时间的下午和晚上用比较好。
9 [9 ]3 z7 m- u% R5 L; r- \后半夜和早上,美国人上班了,要么在用,要么在黑客攻击。
! J% S* i' i' b! l3 Z1 _% a====' D' K5 L3 B2 y3 u2 s9 Q  t* O
用千问吧,非常稳定,非常强大。3 ]1 Z0 S6 }, J/ I2 \- Y' z& n
https://chat.qwenlm.ai/
7 O7 n& Y$ b" m====4 c) K- X3 T( q7 c% {, Y. L
Deepseek,API 看上去可用了,但是不给充钱。- }/ a8 F, p' q5 K; N

  s' F" j1 j1 G: F& }! u
5 c3 M/ ^* @; ~
! D; D1 x" U9 f: }7 r+ V

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
    17 小时前
  • 签到天数: 3734 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 03:539 Q+ w" S  V0 }! N  a9 X
    这功能很赞呀

    / I5 y9 g- \5 f/ x2 [; y8 e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
    ) `0 ~, v% O2 D/ u1 F有没有上传整本书试试

    4 v  F( y9 N. `# h4 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
    17 小时前
  • 签到天数: 3734 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
    . v: Q3 k; V8 z' B6 W
    ! P6 A( a9 p7 q* ?3 ^2 R5 F以后让deepseek 读出土的竹简+ Y% `! t& y6 @  W, ~

    . P. Y& K; T: u5 g( h还有把古文翻译成现代白话
    5 O7 }- Z" ~6 ?) x! c# B% N
    , k9 w4 X, S! x" E8 \0 Q4 D8 }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
    15 小时前
  • 签到天数: 2895 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?
    ! \. X. ]3 Z$ q8 k7 L# `7 [. m- h! T5 S4 F" X
    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
    9 U8 N) i0 y' j$ O请教是如何实现的?
    . ]5 I/ ^7 ?( y6 {  E6 B5 U! |+ h8 R. D
    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$ M; w1 e' n
    8 g+ E" J1 b7 Q; n: P1 c
    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。$ U9 d) q( U( h. |, o' B1 h' |
    文字之类的没问题。估计deepseek现在暂时只保证主要功能。
    9 o5 `$ O8 k* [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。
    2 z! t( ]0 U3 ]# j, ~' ]2 F

    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 01:232 A/ b8 ~4 O2 A; `8 L* \
    请教是如何实现的?' ?4 {' w8 ]8 B  e

    1 C# x8 w, G! A5 \9 C$ v, e7 }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 Y, w: Y8 _5 W1 _/ V9 uhttps://chat.qwenlm.ai/$ ^5 M8 x" x: ?
    试一下千问,估计美国人没有攻击他,所以资源敞开用。
    4 \6 q; z) c8 ]  X很稳定,质量不错,好像最多一次处理15页。# T# f" r( O1 R
    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
    17 小时前
  • 签到天数: 3007 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。  s; r2 T: H* ~/ i
    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。
    ( ^: L; X/ v( P  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”。' k- f' q7 @/ \( ]1 i/ E1 P/ L" `
    ; J8 r8 g* s) x1 q0 F
    https://github.com/oomol-lab/pdf-craft
    9 i7 y/ I% l1 y" Z' F7 g& J  Y$ x6 G9 ~
    1. 这个工具要求装 python3.109 o7 J) C1 Z/ V
    2. pip install onnxruntime==1.21.0, 有英伟达的卡:pip install onnxruntime-gpu==1.21.0  V( F  q  [# _5 r& Q
    3. pip install pdf-craft
    # E0 O: g* V4 f5 [5 x8 `4. 把下面的内容写到一个文件里,例如 a.py
    $ T' d  }# p" Z# K$ ?
    7 m+ j7 k% A6 v5 K! h
    1. from pdf_craft import PDFPageExtractor, MarkDownWriter
      * k, f- L3 }* q7 k' s1 {. I! [; v
    2. , R. [9 |$ r2 S) s9 H# G: q
    3. extractor = PDFPageExtractor(
      ! @; D+ @) ]; D' D1 h1 S
    4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
      " M* f7 g6 c! _3 K
    5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed& o* N7 n: l& j) q+ l1 ~$ o$ s" I
    6. )# g' {  r: h5 f+ l
    7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:, V9 _3 O; C( ~" s
    8.   for block in extractor.extract(pdf="/path/to/pdf/file"):8 B$ Q# Z5 _1 g
    9.     md.write(block)
    复制代码

    - o! e4 [3 }5 S
    ( ^: D3 Q4 Q: B! C要修改的内容:
    2 j6 H4 g9 j5 f8 t4.1 /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0 n! Y# S% Z2 o0 X
    4.2 markdown_path:输出的 markdown 路径文件名# B3 M, {4 w" q% |2 v
    4.3 /path/to/pdf/file: 输入的源PDF路径文件名
    : f! t5 C0 m. H# Q* F
    1 [. A; H& V* K. v5. 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
    1 D8 O& ~9 c1 w6 H% Z& c: _4 E/ ~! C/ x& N+ C' O5 q/ H4 r- H
    目前为止PDF转纯文字的最佳办法。
    : e& {- c; U8 q0 `先写个小程序,把PDF按章节切成小的PDF。/ x5 d& [$ ~+ U& p6 M; z
    然后,把PDF一个个传到deepseek,让她抓取,除错,输出。
    - F/ }5 F- }1 ~/ ^! ]7 F* F& r/ h1 Y效果非常好。! H, J8 S# x: _, k/ x/ ]

    7 N% t& k; C* C, u: G) \deepseek,qwen,chatgpt 三个,deepseek是最好的。
    " d1 \& u( n% F. E) Y( G- _$ V5 \
    ' x( \# b* m8 v2 A3 b  t" qdeepseek 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。- n3 @& v6 {  N( K  w. \
    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。
    - K3 A6 \+ F# i7 ]我曾经修一个历史文章,chatgpt给我活活加了三段,真是文豪。8 Y( i0 L1 A& Y7 G" |
    2 U7 [, Z3 A# L5 ~  k9 p
    API到目前为止,差强人意,不如网页版本修得干净。
    4 U7 @9 F4 n1 |! p' J- T/ `7 E4 M8 D
    6 w" y) s6 T" P. b% C+ U5 j4 w8 pdeepseek可以同时开四个。
    0 b/ N  v; u) F7 E# q

    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
    " k; |& u& k0 y  v+ S1 z- z, M" \/ h* F* |
    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
    . w6 u5 a  p6 t1 }6 K  p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 ...

    ' Z( e" ~% w: k) C" I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 16:331 h1 Z7 r8 A. @: J$ }- L0 _- E
    细说一下,听上去很不错,多谢。

    + J; u# O( k2 f( @9 I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
    - }( H1 w0 u1 P8 o' Y! z
    0 @& }" x1 K5 j已经搞定.7 d4 @. ?+ B+ @

    / k9 N4 b" A* l9 |7 c1 u4 p. V首先 PDF 本身已经OCR了,Adobe Acrobat Pro中自带这个功能。( n* |. o' S; c; ~( d  q
    ) Y! e: u5 i; E! p
    1, python + pypdf 按章节拆分小的PDF
    * D8 r- A' j2 `0 ~, L  g& z, c  x" _+ ]5 `  C6 K9 d' Z
    2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile% @9 V; a, D) a/ g1 w* c0 l, ?7 C
    ! e* j. l6 c  a% }5 s- K
    得到text file
    ! K# A# }6 R9 Q& j+ V! E% j( G" d! T: `
    3, python 读取整个outputfile,丢给deepseek 矫正。+ C+ U- N1 n7 f8 m$ B: A
    6 k- K. Y. S" B2 Q% Y
    模型是 deepseek-chat2 T' s# K7 l  z  a: D
    3 C* j, D% b6 J. P7 R) H$ l) L
    max_tokens 最大是 8192,别的不用改。. e4 a: {& Y$ x/ u2 B- ]. ]) m

    ) r8 u/ Z( Y2 y- M参考:$ M% B8 M+ p: `7 l
    https://api-docs.deepseek.com/api/create-chat-completion' P1 U* j! x. l* \- J' j) [

    ! P7 W( {5 x3 x$ z4,费用:) k% I2 }; U- }5 S3 S, u

    0 Z) ^1 g9 V  h9 f) G4 t实测:
    1 f5 L. |. ^7 _6 n- }- S6 h( v7 m; C# d) {1 A2 l
    296K 字母,用了 9 美分。6 W1 K9 S5 F' I) I) [

    8 d$ T7 L& v: {' B. t: `9 B3 d$ Y: q英文字母 到 token 用量大约 1/3
      I( P9 t- H4 {3 H5 m& r
    + Q0 V) N; J* \/ _tokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
    7 u9 G& j1 L4 v3 d$ D" b& a$ S  s% s4 C7 B4 ^  z( q0 C
    32899 个字母花费 11782 tokens,包含输入输出的 tokens/ \- i2 V( W: T5 b2 o8 [

    8 a0 G" V8 l2 C/ B价钱,非常非常便宜了。% o0 R- y$ j/ E. d

    ; H7 g( L0 b& E! r参考如下可以计算,懒得算了。
      M9 z' A& v/ M; e& a, x3 v5 _' v. c# R1 N+ N: q/ d( e- Z, ]4 A# r
    https://api-docs.deepseek.com/quick_start/pricing
    , f3 b" m* d( Q6 ]% m# m2 S7 ?; g2 R  w6 q- s9 E8 [/ u
    1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.14
    1 j' \" v/ n$ i/ e1 D; B2 f1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55  t; Y' b; w0 V2 U
    1M TOKENS OUTPUT(5)                                              $1.10                $2.19
    ! h+ e- |/ V: L& w* X+ F" Z- s, t3 f( ~1 V( E( R; n+ y
    5, Balance6 ]1 z$ r; k$ h0 T: \4 H0 m, s& t& j

    ) y5 j, h" Z  D6 e可以在程序里调用,知道每次运行结束后,balance还剩多少。
    ' w* Y6 p$ S* C, B$ d8 v参考:- S  w4 \- A2 }, k! U
    https://api-docs.deepseek.com/api/get-user-balance- q! l+ l% r( O- ~3 p

    / B( g: R, Z  o$ U5 J9 }$ \+ v6, Models
    ; Q. h* @& S* n/ H, ~" t! x) U7 S) ^. \/ a
    目前就两个
    ( Y- `- _4 H0 k# deepseek-chat% h! X( E/ z6 ^
    # deepseek-reasoner; N) Z7 k* e" F8 I

    ( Q" c; p* s- n# z参考:. y( \/ o% w  J  r- ~0 E1 q4 j2 q  X
    https://api-docs.deepseek.com/api/list-models; v- ^  S, Q5 W7 A, j3 V5 ]. Z

    3 U( o8 C8 h3 K  d* l& c- n2 c( `4 ?! Q* s$ w2 n" ?3 G# ^( S2 o
    7, 问题3 ^( E, h/ c0 f: r

    / {+ \7 Q, ?& k$ ?2 Ldeepseek 会将前后两段合成一段。) l8 }4 I" ~9 J1 X8 H% n/ e
    特别是那种大量的对话的段落,deepseek会给你合成一大段。+ u; W  {- |, x
    1 v' ^2 _3 t3 g7 t) r7 n5 t
    8, 钱说了算。
    . m, |  U! R" s+ W9 a  f
    , c+ K4 T8 s% d6 m7 kdeepseek 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。
    % A7 |* t" D* n+ b" K, ~+ c但是API就不会出现这种情况,毕竟我们给钱了。
    * K, w. E# E" v+ Zchatgpt也是这样的。5 w8 U3 t% G" `$ f
    3 ~1 I* |0 l) s5 h0 f

    & h( u9 U" M( m  P

    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, 2026-3-25 17:17 , Processed in 0.066275 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