PDF Craft：PDF扫描文件转Markdown的开源工具

综合介绍

PDF Craft 是一个开源工具，专为扫描书籍的PDF设计，能将其转换为Markdown格式。它由 oomol-lab 开发，托管在 GitHub 上，适合喜欢整理电子书的用户。工具通过本地AI模型运行，无需联网，既保护隐私又方便操作。它能提取扫描文档中的正文，去掉页眉页脚等杂项，生成干净的Markdown文件，特别适合整理旧书或研究资料。

功能列表

• 将扫描书籍PDF转换为Markdown格式，支持本地处理。
• 提取正文内容，自动过滤页眉、页脚和页码。
• 处理跨页文本，保持句子连贯。
• 支持插图和表格截图，嵌入Markdown文件。
• 使用AI分析页面布局，按阅读顺序整理文本。
• 可扩展为EPUB格式，生成电子书文件。

使用帮助

PDF Craft 专注于扫描书籍PDF转Markdown。下面是详细的安装和使用步骤，帮你快速上手。

安装流程

1. 准备环境
   你需要一台电脑，安装Python 3.8或以上版本。确保硬盘有足够空间存放AI模型。
2. 下载代码
   打开终端，输入命令克隆项目：

git clone https://github.com/oomol-lab/pdf-craft.git

然后进入目录：

cd pdf-craft

3. 安装依赖
   输入以下命令安装所需库：

pip install -r requirements.txt

如果有GPU，可以加装CUDA支持：

pip install torch --extra-index-url https://download.pytorch.org/whl/cu117

4. 获取模型
   首次运行时，工具会自动下载AI模型（如DocLayout-YOLO）。保持网络畅通，模型会存到 <model_dir_path>（可在代码中设置）。

操作流程

转换为Markdown

1. 准备PDF
   把扫描的书籍PDF放在一个文件夹，比如 /path/to/pdf/book.pdf。
2. 运行转换
   在终端输入以下代码：

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

• device="cpu"：用CPU运行。支持GPU的改为 device="cuda:0"。
• markdown_path：输出Markdown文件路径。
• image_dir：插图保存目录。

3. 查看结果
   完成后，打开 /path/to/output.md 检查内容。插图会自动保存到 images 文件夹。

特色功能操作

• 正文提取
  工具会识别扫描页面，剔除页眉页脚，只保留正文。你无需手动清理杂项。
• 跨页处理
  如果句子被分页截断，PDF Craft 会自动连接，确保文本流畅。
• 插图嵌入
  扫描书籍中的图片或表格会被截图，嵌入Markdown。你可以在 images 文件夹找到它们。

小贴士

• PDF扫描质量要清晰，否则识别可能出错。
• 首次运行会下载模型，之后离线即可使用。
• 如果速度慢，试试GPU加速或减少页面数。

应用场景

1. 整理旧书
   你有扫描的旧书PDF，想转成Markdown编辑。PDF Craft 能去掉杂乱内容，生成干净文件。
2. 研究资料转换
   学者需要把扫描论文转成Markdown记笔记。工具能保留正文和插图，方便引用。
3. 电子书制作
   你想把扫描PDF变成可编辑的Markdown文档。PDF Craft 提供简单方案。

QA

1. 只支持扫描PDF吗？
   主要是优化扫描书籍PDF。普通文字PDF也能用，但效果可能不如扫描文件。
2. 转换后图片怎么处理？
   图片会截图保存到指定文件夹，Markdown里自动嵌入链接。
3. 为什么首次运行慢？
   因为要下载AI模型。之后会变快。