pdf-craft

pdf-craft是一款专注于处理扫描书籍的PDF转换工具，能够将PDF文件高效、精准地转换为Markdown或EPUB格式。它是一款开源软件，基于本地AI模型运行核心功能，同时支持远程调用大型语言模型（LLM）处理复杂任务，如生成带有目录和章节的EPUB文件。pdf-craft的设计目标是“高效、精准、隐私友好”，旨在提升扫描资料的数字化效率，改善用户的阅读体验。

功能特点

PDF转Markdown：
- 精准提取：能够智能提取正文内容，自动过滤页眉、页脚、脚注等干扰元素。
- 保留结构：保留原文档的结构，将插图、表格和公式以截图形式嵌入，生成可直接编辑的Markdown文件。
PDF转EPUB：
- 智能构建：通过大语言模型智能构建书籍目录结构，自动整理注释和引文。
- 适配阅读器：输出适配电子书阅读器的标准EPUB格式，提升电子书的阅读体验。
跨页内容处理：
- 保持连贯：通过AI算法自动判断文本逻辑关系，确保跨页内容的自然衔接，解决扫描文档转换中的跨页内容断裂问题。
阅读顺序优化：
- 符合习惯：利用layoutreader确定符合人类阅读习惯的文本块顺序，优化阅读体验。
高效与隐私保护：
- 本地运行：支持本地运行，无需联网，保护用户隐私。
- 模块化架构：采用模块化架构，支持本地和远程两种模式，灵活应对不同需求。

优缺点

优点：

高效精准：能够高效、精准地将PDF转换为Markdown或EPUB格式，提升扫描资料的数字化效率。
隐私友好：支持本地运行，无需联网，保护用户隐私。
功能丰富：具备智能清理页眉页脚、公式图表智能处理、自动构建目录和章节等功能。
开源免费：作为一款开源软件，用户可以免费使用并进行二次开发。

缺点：

学习成本：对于不熟悉Python编程的用户来说，可能需要一定的学习成本来掌握其使用方法。
硬件要求：在处理大规模PDF文件时，可能需要较高的硬件配置来支持GPU加速。

主要应用场景

学术研究：将扫描的学术论文、书籍等转换为可编辑的Markdown或EPUB格式，方便阅读和引用。
电子书制作：将PDF格式的电子书转换为EPUB格式，适配不同的电子书阅读器。
文档归档：将扫描的文档转换为可编辑的格式，方便归档和检索。

使用方法

安装pdf-craft：
- 确保已安装Python 3.10或更高版本（推荐3.10.16）。
- 使用pip包管理命令安装pdf-craft：pip install pdf-craft
将PDF转换为Markdown：
- 导入必要的模块：from pdf_craft import PDFPageExtractor, MarkDownWriter
- 创建PDF提取器对象：extractor = PDFPageExtractor(device="cpu", model_dir_path="/path/to/model/dir/path")（如需使用GPU加速，可将device参数改为"cuda:0"）
- 创建Markdown写入器对象：with MarkDownWriter(markdown_path, "images", "utf-8") as md:
- 提取PDF内容并写入Markdown文件。
  将PDF转换为EPUB（对于超过100页的书籍，推荐使用LLM如DeepSeek）：
  - 创建PDF提取器对象（同上）。
  - 配置LLM对象。
  - 分析PDF文件。
  - 生成EPUB文件。