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：
frompdf_craftimportPDFPageExtractor,MarkDownWriterextractor=PDFPageExtractor(device="cpu",model_dir_path="/path/to/model")withMarkDownWriter(markdown_path,"images","utf-8")asmd:forblockinextractor.extract(pdf="/path/to/pdf"):md.write(block)3. PDF转EPUB：
frompdf_craftimportPDFPageExtractor,LLM,analyse,generate_epub_fileextractor=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
