PDF-Craft是什么？

PDF-Craft是一個用于處理PDF文件的開源項目，專注于將掃描書籍的PDF轉換為Markdown或EPUB格式。它通過OCR技術識別文字，并利用ai算法提取文本、過濾頁眉頁腳等元素，生成結構化內容。支持本地計算和LLM輔助功能，適合學術論文、小冊子及長篇書籍的格式轉換。

PDF-Craft功能特征

格式轉換：

• 支持將PDF轉換為Markdown格式，適合論文或小書本。

• 超過100頁的，可結合了本地OCR和云端LLM處理，生成帶目錄分章節的EPUB。

智能提取：

• 使用DocLayout-YOLO和自定義算法提取正文，過濾頁眉、頁腳、腳注、頁碼等元素。

• 在跨頁時，算法會處理前后文的順接問題。

OCR識別：

• 使用OnnxOCR進行文字識別，支持插圖、表格和公式的截圖，并直接插入到輸出文件中。

閱讀順序優化：

• 通過layoutreader確定符合人類閱讀習慣的順序。

LLM輔助：

• 在EPUB轉換過程中，通過LLM（如DeepSeek）讀取注釋和引用信息，并在EPUB中呈現。

• LLM還能在一定程度上糾正OCR錯誤。

本地運行：

• 支持CPU和GPU加速，無需聯網即可完成大部分操作。

PDF-Craft應用場景

• 學術研究：將掃描的學術論文轉換為Markdown或EPUB格式，便于編輯和閱讀。

• 電子書制作：將掃描書籍轉換為EPUB格式，生成帶目錄和章節的電子書。

• 文檔處理：提取PDF中的文字和圖像，用于進一步編輯或歸檔。

PDF-Craft使用方法

1. 安裝：需要Python 3.10及以上版本，支持CUDA加速。

2. PDF轉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轉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項目：https://github.com/oomol-lab/pdf-craft