PDF-Craft：一个扫描书籍PDF文件转Markdown/EPUB工具

PDF-Craft是什么？

PDF-Craft是一个用于处理PDF文件的开源项目，专注于将扫描书籍的PDF转换为Markdown或EPUB格式。它通过OCR技术识别文字，并利用ai算法提取文本、过滤页眉页脚等元素，生成结构化内容。支持本地计算和LLM辅助功能，适合学术论文、小册子及长篇书籍的格式转换。

PDF-Craft功能特征

格式转换：

• 支持将PDF转换为Markdown格式，适合论文或小书本。

• 超过100页的，可结合了本地OCR和云端LLM处理，生成带目录分章节的EPUB。

智能提取：

• 使用DocLayout-YOLO和自定义算法提取正文，过滤页眉、页脚、脚注、页码等元素。

• 在跨页时，算法会处理前后文的顺接问题。

OCR识别：

• 使用OnnxOCR进行文字识别，支持插图、表格和公式的截图，并直接插入到输出文件中。

阅读顺序优化：

• 通过layoutreader确定符合人类阅读习惯的顺序。

LLM辅助：

• 在EPUB转换过程中，通过LLM（如DeepSeek）读取注释和引用信息，并在EPUB中呈现。

• LLM还能在一定程度上纠正OCR错误。

本地运行：

• 支持CPU和GPU加速，无需联网即可完成大部分操作。

PDF-Craft应用场景

• 学术研究：将扫描的学术论文转换为Markdown或EPUB格式，便于编辑和阅读。

• 电子书制作：将扫描书籍转换为EPUB格式，生成带目录和章节的电子书。

• 文档处理：提取PDF中的文字和图像，用于进一步编辑或归档。

PDF-Craft使用方法

1. 安装：需要Python 3.10及以上版本，支持CUDA加速。

2. PDF转Markdown：

from pdf_craft import PDFPageExtractor, MarkDownWriter
extractor = PDFPageExtractor(device="cpu", model_dir_path="/path/to/model")
with MarkDownWriter(markdown_path, "images", "utf-8") as md:
    for block in extractor.extract(pdf="/path/to/pdf"):
        md.write(block)

3. PDF转EPUB：

from pdf_craft import PDFPageExtractor, LLM, analyse, generate_epub_file
extractor = PDFPageExtractor(device="cpu", model_dir_path="/path/to/model")
llm = LLM(key="sk-XXXXX", url="https://api.deepseek.com", model="deepseek-chat")
analyse(llm=llm, pdf_page_extractor=extractor, pdf_path="/path/to/pdf", analysing_dir_path="/path/to/analysing", output_dir_path="/path/to/output")
generate_epub_file(from_dir_path="/path/to/output", epub_file_path="/path/to/output.epub")

github项目：https://github.com/oomol-lab/pdf-craft