设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 1789|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
9 W( ~9 C; j+ f! D; S3 K* b' |2 w
3 D5 I; ~! `. J' d) {( b把PDF上传,然后让他抓取文字,并修改可能的错误。( g; \  h3 f1 H, v2 h% ~
然后deepseek完美的完成了任务。# O3 u' N  A! ]) W
段落清楚,列清楚,页眉页脚全部去掉。
8 w0 |, H7 J) \5 r# b我要疯掉了!
$ y) z$ E) {# i3 O0 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!
6 R- }8 @7 q+ Q====9 H! \. q2 ~; U4 G# n
中文也很完美。8 |+ [9 t1 P! x
经验值,每次十页比较稳定。
% B# H# Y& D5 Z, Z& y5 q, f/ P现在我这里API还不能用,等恢复了,全自动了。
1 k4 ^1 A! u8 V% [4 X4 U# l) t+ R====
$ l) S: H' E# x5 O  s第二次疯掉了!
0 I2 s! x& \  y2 i* ~; I( 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。
4 O( Q4 c# U  K5 Z- k6 z/ G====
" @% D/ q9 a: b6 N& r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。
' a8 U( m3 Q' e8 M但是任务多了后,每次翻译的页面数是减少的。) E: a' x: X* y  R7 k
好吧,我五体投地,继续探索。  t5 K7 {  Y& Q
====6 b- Z. h, L: |, y+ S* w- v
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。
, J" r: L  t5 M! Z; R7 K====  E2 Z* D* g; l: l' l
好吧,有些东西是不给翻译的,哈哈。$ y. t0 V+ ]: w' v4 m8 n
( f8 x7 D# t0 E3 z
Sorry, that's beyond my current scope. Let’s talk about something else.
! I7 _1 F+ A: R- ^====7 d; @1 a1 `/ e* }* b3 }
然后我的英文命令也让deepseek 帮我修改,呵呵。* t+ q6 J  n, T7 B* V
====
) X+ N* n9 O* ?* H8 H  }. y) \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。* z6 P2 r$ L1 ^2 m7 ~
====
8 M  ~9 `: H, l7 j* I1 H4 U时间段的话,北京时间的下午和晚上用比较好。
4 L2 ~/ w8 s$ b, M5 ~+ r后半夜和早上,美国人上班了,要么在用,要么在黑客攻击。
% L, h) C7 l" e* I4 Y3 U2 }====
7 G% R- N9 w# P  }; U7 ]3 T用千问吧,非常稳定,非常强大。+ V, I2 P" S, q& ^( q9 C; ]$ `
https://chat.qwenlm.ai/
: D- l+ v0 u6 _. y& p$ Q====
& @1 |' E1 h2 J1 jDeepseek,API 看上去可用了,但是不给充钱。7 `, O1 \$ H9 a5 k; M9 q. f
% x: V% ~0 r, a8 _6 _- a

/ }* m+ y3 r2 c8 \7 M& a6 q5 w# d( F5 x8 j# 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
    4 小时前
  • 签到天数: 3549 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
    * f9 @8 b9 j1 y% a这功能很赞呀
    ' ^, \+ @/ c; g3 X/ |5 c
    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 04:132 O. t6 i5 g  x- k
    有没有上传整本书试试

      @, H0 u* C& 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
    4 小时前
  • 签到天数: 3549 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
    # n# Z" G; N9 ]! i2 r; e1 i
    ! d- y1 m  I9 i! A以后让deepseek 读出土的竹简
    3 u- ^4 Q# T  b) N& x  e1 N. F& |) w9 s
    9 F, Y# \" b% _# F' H. u0 V还有把古文翻译成现代白话; ^# s( O* J5 p$ i2 ?

    $ @8 S8 p6 W' U5 m8 B% 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
    3 小时前
  • 签到天数: 2699 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?
    7 n: D/ u  ]6 H7 F, B
    % ]$ h4 l4 }3 S2 Y# L3 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, t6 Z% V0 J1 E, |% Z
    请教是如何实现的?
    8 v4 d, o7 k; F4 K* e  c; q1 M5 S  p4 o, `
    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 ...
    8 d( w3 Z5 T2 x& w' s2 v
    ; O7 [; K9 c9 m) d, 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。
    - q6 _; u9 ~1 j0 U# t文字之类的没问题。估计deepseek现在暂时只保证主要功能。
    ; C1 N( r; O; s) N6 u) j3 x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。3 }, q6 d8 T4 l3 ^# L) l

    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
    6 U1 r' Q* e' {5 b! [请教是如何实现的?' X  W$ g9 K4 W7 q. a* V

    9 z& z7 o1 @5 g0 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 ...

    ( C% I5 a0 `, p% ]- {; ahttps://chat.qwenlm.ai/2 W8 a  P* [7 B% q
    试一下千问,估计美国人没有攻击他,所以资源敞开用。" {7 t7 B. F6 ?% V
    很稳定,质量不错,好像最多一次处理15页。
      }6 g( u. v- q. K7 o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: 2835 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。9 ]/ u- Z: }" `% U( S: o& R
    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) c$ H# [6 }( {
    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”。
    * {. Y& K+ z0 A  I0 ~1 M, q
    / R1 H& a1 \4 M: V/ u. yhttps://github.com/oomol-lab/pdf-craft# T5 n) p* K+ a

    % d: r. o# H9 `7 X1. 这个工具要求装 python3.10
    0 ], `! u1 P9 i% v  L( \* I" w; r" Y2. pip install onnxruntime==1.21.0, 有英伟达的卡:pip install onnxruntime-gpu==1.21.04 h# v4 U5 F. S* F
    3. pip install pdf-craft: K- R* J; i! o0 u) I& E
    4. 把下面的内容写到一个文件里,例如 a.py3 t' j' K. d' c

    ( j' d" l; Y5 m$ F# X: ?* _5 |+ A1 B
    1. from pdf_craft import PDFPageExtractor, MarkDownWriter
      . j  K6 E; r4 X& m7 b4 T
    2. " {/ [6 {& ^- v7 S* x  p
    3. extractor = PDFPageExtractor(9 C( _, |& x' l; W& c  Q( U  h
    4.   device="cpu", # If you want to use CUDA, please change to device="cuda" format.
      6 j& I1 A; j$ C3 `
    5.   model_dir_path="/path/to/model/dir/path", # The folder address where the AI ​​model is downloaded and installed
      - R0 z8 e, M" [
    6. ): \; \1 b; E) ]7 Q
    7. with MarkDownWriter(markdown_path, "images", "utf-8") as md:! l( o% ?8 i+ I3 N: A  [) o
    8.   for block in extractor.extract(pdf="/path/to/pdf/file"):7 v* O# ^; n7 @5 P* ~
    9.     md.write(block)
    复制代码

    9 j$ ]! z6 j1 \# Q5 k0 i" _# e
    " V* J3 G% i+ o* y要修改的内容:# T0 O  ~7 p% j& i& L- j7 O
    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
    4 O; q" Y$ [1 A3 L# r- `) ?9 B4.2 markdown_path:输出的 markdown 路径文件名
    - z: a& I$ w0 g' I7 G4.3 /path/to/pdf/file: 输入的源PDF路径文件名) @9 K5 V- I/ P0 O6 B

    + X7 V+ J; H( E7 z5. 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
    ; x7 \3 \6 w% O8 M2 A6 t1 D" O8 l5 w' M5 F( \
    目前为止PDF转纯文字的最佳办法。
    ( T& r7 u' T, _* u3 G( ?先写个小程序,把PDF按章节切成小的PDF。# e( n" O2 ]& O, C- x
    然后,把PDF一个个传到deepseek,让她抓取,除错,输出。. \+ y) B! ^- I  K% a8 S
    效果非常好。
    ( {4 M6 P  V3 s6 q6 J+ f) F7 m
    , t2 C, {% J' N: B! i* }deepseek,qwen,chatgpt 三个,deepseek是最好的。  `0 H; Q1 d/ Z& Z
    ( R( e# m: n0 _8 S) [2 H
    deepseek 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。
    & H% ^! G8 S1 z& d  ~8 d1 f: K; i! k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。: K2 f& z$ D2 ]1 ~# f# P
    我曾经修一个历史文章,chatgpt给我活活加了三段,真是文豪。
    + F) |4 l4 d( i8 `! n
      }- r7 S, R* qAPI到目前为止,差强人意,不如网页版本修得干净。: X8 C! p' D& t: G, i
    : q  T% \+ ^& ]# X: c9 f* G
    deepseek可以同时开四个。
    ) T: {* S, t1 f4 E* T7 I" X

    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 - @6 M7 B1 ?1 R

    * P1 [& N# E3 z. T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 12:261 q; A, O6 p+ P1 B8 b
    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 ...
    + X2 b0 Z- q( `3 i+ k
    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' ~* V$ d: V, U! s
    细说一下,听上去很不错,多谢。

    ( F. {% e3 r7 c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 . h% u6 X/ K1 P* V
    . f! P: \7 M% \' S) J
    已经搞定.
    6 z. M, ]4 a5 K6 j2 ~, X: E7 K: Z. l; p
    首先 PDF 本身已经OCR了,Adobe Acrobat Pro中自带这个功能。9 A  N1 a7 }: q; i

      Y7 _8 x! F+ C5 V1, python + pypdf 按章节拆分小的PDF9 I9 l3 r# s9 H' k- U/ Z
    ( R: e! d) Y& b2 N4 Z
    2, pdftotext -enc UTF-8 -nopgbrk -eol dos input outputfile
      g; n: I0 }4 i' O4 h
    ) K* g3 S6 t& I0 N% ?: m% m8 A得到text file
    ' {/ ?# z$ W* {" B( z
    1 ]' B% O9 R/ L7 n8 s: z3, python 读取整个outputfile,丢给deepseek 矫正。4 I) R" m; Y1 ~! W* H

    8 L! n9 d9 _8 d$ I  ]9 b模型是 deepseek-chat8 _+ e2 |, o( G% `: B* j" [

    2 ]7 e6 z$ k$ D, H( Q6 |max_tokens 最大是 8192,别的不用改。
    3 u4 n  K" K2 V7 }8 T9 n$ R4 Q( j* d; P3 R
    参考:
    2 L+ x+ N  g: P; J. s6 h- t, {https://api-docs.deepseek.com/api/create-chat-completion
    4 z( |$ }, k+ c8 k( L* w, W3 _/ ?+ F: E0 p( g+ c6 W' Y! l$ d
    4,费用:) `! H. l/ f. E  U7 R

    4 L4 D1 m! B" i2 b7 S8 b2 L实测:" W2 T5 R8 _) w1 n6 _# Q8 T, n( v8 [

    & U9 B0 V. G4 Z; O! [- s, Z296K 字母,用了 9 美分。; s* t  P8 L2 z2 g7 n& |- |
    ' r2 M+ y* E; a, Z1 ?
    英文字母 到 token 用量大约 1/3
    / ^. u' N. L/ d8 A) Q# B
    : Z! s$ ^, `% rtokens: total, 11782 completion,  3729 prompt,  8053 | s:  32899
    2 q" U5 g6 m" G8 |3 D' b: J0 c* \' q7 |. e, u, s7 V
    32899 个字母花费 11782 tokens,包含输入输出的 tokens
    9 I! A5 p! E  a  f7 u2 q, {8 z. C4 X5 D7 J9 o$ F
    价钱,非常非常便宜了。, v$ J2 B' q- @0 n' n

    ) X- L" h5 O4 f( D0 a; y- S9 T8 f$ R参考如下可以计算,懒得算了。; Y6 r) ?- B( @, x
    % e! _9 }( t  |+ h! l- A* A: r
    https://api-docs.deepseek.com/quick_start/pricing
    : [; \4 ~3 g* d& U/ i7 P( X8 \  t8 f) @
    1M TOKENS INPUT (CACHE HIT)(4)                $0.07                $0.141 v6 S6 f; ?" W0 }6 A1 {3 O# A
    1M TOKENS INPUT (CACHE MISS)                  $0.27                $0.55
    , |  _# i! a7 P% A& J$ R, c1M TOKENS OUTPUT(5)                                              $1.10                $2.197 M( ]# H; [& }/ c- B; }3 b
    ; D4 m+ p8 F4 Q. S' c( ?
    5, Balance
    1 j! P; N9 G) D! R' r
    : O! U- {9 Z& R: ~" c* i可以在程序里调用,知道每次运行结束后,balance还剩多少。
    ) u) E. b% S) D参考:, X7 g: W! e- y1 z+ w* u
    https://api-docs.deepseek.com/api/get-user-balance
    5 ]/ a$ y6 N, ]. J. O* F* \  I/ I+ L
    / L; ~1 j2 r8 ~6, Models
    / N- i$ R: h0 q+ C5 V# ^3 t- E! U5 ]0 O2 k( F, R
    目前就两个3 z: I6 G8 v- l7 B
    # deepseek-chat" d8 @% i) {" }2 ]
    # deepseek-reasoner
    2 i* @' `8 n/ c: t6 e  x, ~7 W5 {$ r2 ~
    参考:
    7 U: I( }' R! _. \4 Ehttps://api-docs.deepseek.com/api/list-models
    0 q2 Q3 Z, H! t$ d( _2 x
    7 }1 x. E7 E/ y* D
    - F1 S& @, m; B$ N$ l4 t7, 问题+ C6 `" c! X9 h$ z+ V2 X/ I
    & b. ]- [) X. V0 S+ S  r9 A
    deepseek 会将前后两段合成一段。
    " Z6 `- n: p  A特别是那种大量的对话的段落,deepseek会给你合成一大段。
    $ X2 }; A+ \% k
    3 V: M" l* B! ]. p! S. I+ N! {8, 钱说了算。
    0 }6 Q& ~, x0 U' t) r# ]/ [1 l6 I6 T) ^$ k8 Y/ M& e; v
    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。% p7 ~  _$ D0 V
    但是API就不会出现这种情况,毕竟我们给钱了。
    ( f) X0 l4 K  C! m! hchatgpt也是这样的。
    ! c- e' o: X- a$ X# Y, V3 @
    5 T! h4 }# B3 r( z
    1 H' `; U; M3 H7 D; \0 d

    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, 2025-8-22 04:47 , Processed in 0.040325 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