|
最近我们开源了一个 PDF 处理工具 - pdf-craft，专注于解决扫描书籍 PDF 转换的痛点，让书籍数字化更智能。pdf-craft 支持将 PDF 转为 Markdown 和 EPUB ，智能处理文本、图表、公式等内容，适用于技术文档、书籍数字化、论文研究等场景。
痛点与解决方案
- PDF 不便于移动设备阅读：将 PDF 转为 EPUB ，适配各种屏幕大小
- 书籍结构混乱：智能分析章节、目录，重建结构化内容
- 注释和引用难以追踪：使用 LLM 智能处理注释和引用
- OCR 识别错误多：结合 LLM 自动矫正识别错误
- 扫描件 PDF 难以被 AI 、代码处理：分析并结构化 PDF 扫描件，以供 AI 、代码读取
主要特性
-
PDF 转 Markdown
- 纯本地运行，GPU 加速支持
- 智能过滤页眉页脚等无关元素
- 自动处理跨页文本顺接
- 图表、公式自动提取为图片
-
PDF 转 EPUB
- 智能构建书籍结构和目录
- 提取并保留注释和引用，并在 EPUB 中以合适的方式重新组织
- 支持中断恢复分析
- LLM 辅助校正 OCR 错误
-
技术亮点
技术细节
项目基于 Python 开发，可通过 pip 安装：
pip install pdf-craft
核心使用方法示例：
# PDF 转 Markdown （纯本地处理）
from pdf_craft import PDFPageExtractor, MarkDownWriter
extractor = PDFPageExtractor(
device="cuda:0", # GPU 加速
model_dir_path="/path/to/model/dir/path",
)
with MarkDownWriter(markdown_path, "images", "utf-8") as md:
for block in extractor.extract(pdf="/path/to/pdf/file"):
md.write(block)
对于更复杂的 EPUB 转换，可以接入 LLM：
from pdf_craft import LLM, analyse, generate_epub_file
# 配置 LLM
llm = LLM(
key="sk-XXXXX",
base_url="https://api.deepseek.com",
model="deepseek-chat",
token_encoding="o200k_base",
)
# 分析 PDF
analyse(
llm=llm,
pdf_page_extractor=extractor,
pdf_path="/path/to/pdf/file",
analysing_dir_path="/path/to/temp",
output_dir_path="/path/to/output",
)
# 生成 EPUB
generate_epub_file(
from_dir_path="/path/to/output",
epub_file_path="/path/to/book.epub",
)
实际效果
立即体验，无需环境配置
想快速尝试 pdf-craft 而不想折腾环境配置？我们提供了更简单的方式：
使用 OOMOL Studio 一键体验：pdf-craft for OOMOL studio
OOMOL Studio 是我们开发的工作流 IDE ，内置了隔离的运行环境，无需复杂配置，即可立即体验 pdf-craft 的全部功能。
关于 OOMOL Studio 可以查看之前的介绍: 一款全新的工作流 IDE。
当然，pdf-craft 仍然完全开源，你依然可以按照上述方法在自己的环境中配置使用。
适用场景
- 技术文档阅读：将繁杂的技术文档转为结构化内容
- 书籍数字化：把纸质扫描书转为便携的电子书
- 论文研究：快速提取论文内容并方便引用
- 学习材料整理：将课程讲义处理为易于学习的格式
- 代码文档提取：从 PDF 教程中提取可用代码
开源与社区
项目刚刚起步，我们非常欢迎各位F友参与：
如果觉得不错，欢迎给项目点个 star ⭐，有什么想法也可以在评论区交流，或者提交 PR 一起完善这个工具。
你也可以通过 https://oomol.com/community/ 找到我们。
| 
