pdf-craft：PDF秒转Markdown/EPUB！接入DeepSeek轻松生成电子书，自动整理目录、注释和引文

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦

---

📚 「别让扫描PDF毁青春！开源AI把文献转换变成填空题」

大家好，我是蚝油菜花。这些学术民工の至暗时刻你是否熟悉------

• 👉 下载的扫描PDF转Word后，页脚编码把参考文献切成俄罗斯方块
• 👉 整理古籍电子版时，跨页诗句被强行拆成「床前明月光，疑是地上霜」两段
• 👉 导师给的纸质书扫描件，转EPUB后目录层级比迷宫还复杂...

今天要解救文献狗的 pdf-craft ，正在重写PDF转换规则！这把AI手术刀：

• ✅ 「智能去杂质」：页眉/脚注/水印自动过滤，比人眼识别还精准
• ✅ 跨页粘合术：YOLO算法识别文本流，杜绝「段落腰斩」惨案
• ✅ 电子书生成器：LLM自动构建目录树，引文标注比原书更清晰

已有研究生用它1小时处理完300页古籍，出版社靠它批量转制EPUB------你的文献处理流水线，是时候注射「AI格式强心剂」了！

🚀 快速阅读

pdf-craft是一款专注于处理扫描书籍的PDF转换工具。

1. 核心功能：支持PDF转Markdown/EPUB格式，自动过滤页眉页脚，保持跨页内容连贯性
2. 技术原理：结合DocLayout-YOLO布局分析和PaddleOCR文本识别，通过layoutreader优化阅读顺序

pdf-craft 是什么

pdf-craft 是一款开源的PDF格式转换工具，专注于处理扫描书籍类PDF文件。它能智能提取正文内容，自动过滤页眉、页脚、脚注等干扰元素，输出结构清晰的Markdown或EPUB格式文件。

该工具特别解决了扫描文档转换中的两大痛点：跨页内容断裂和版式混乱问题。通过AI算法自动判断文本逻辑关系，确保生成的文档语义连贯，大幅提升扫描资料的数字化效率。

pdf-craft 的主要功能

• PDF 转 Markdown：精准提取正文内容并保留原文档结构，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：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，输出适配电子书阅读器的标准EPUB格式

pdf-craft 的技术原理

• 页面布局分析：基于DocLayout-YOLO算法识别文本块、图片等元素的位置边界，通过自定义算法优化布局解析精度
• 文本识别：采用PaddleOCR高性能OCR引擎，准确识别扫描文档中的文字内容
• 跨页处理：通过算法自动判断文本块间的逻辑关联，确保跨页内容的自然衔接
• 阅读顺序优化：利用layoutreader确定符合人类阅读习惯的文本块顺序

如何运行 pdf-craft

下面将详细介绍如何安装 pdf-craft，以及如何使用其主要功能（如将 PDF 转换为 Markdown 和 EPUB 格式）。

介绍

• 本地运行：对于小规模的论文或书籍，可以完全在本地完成 PDF 转 Markdown 的转换。
• 接入 LLM ：对于超过 100 页的书籍，推荐使用 LLM（如 DeepSeek）生成带有目录和章节的 EPUB 文件。

安装

需要 Python 3.10 或更高版本（推荐 3.10.16）。

pip install pdf-craft

使用 CUDA 加速

如果需要使用 GPU 加速，请确保设备已准备好 CUDA 环境。可以参考PyTorch的安装指南，根据操作系统选择合适的命令。

• PyTorch 安装指南 ：pytorch.org/get-started...

功能示例

将 PDF 转换为 Markdown

此操作无需调用远程 LLM，完全依赖本地计算资源（CPU 或 GPU）。首次调用时，模型会自动从网络下载。

from pdf_craft import PDFPageExtractor, MarkDownWriter

# 创建 PDF 提取器对象
extractor = PDFPageExtractor(
    device="cpu",  # 如果使用 GPU，请改为 device="cuda:0"
    model_dir_path="/path/to/model/dir/path"  # 模型下载和存储路径
)

# 创建 Markdown 写入器对象
with MarkDownWriter(markdown_path, "images", "utf-8") as md:
    for block in extractor.extract(pdf="/path/to/pdf/file"):
        md.write(block)

代码解释

1. PDFPageExtractor ：负责从 PDF 文件中提取内容。device 参数指定是否使用 GPU，model_dir_path 指定模型存储路径。
2. MarkDownWriter ：将提取的内容写入 Markdown 文件。如果 PDF 包含插图、表格或公式，会将其截图保存到 assets 目录，并在 Markdown 文件中引用。

运行完成后，指定路径下将生成一个 *.md 文件。如果有插图，会生成一个 assets 目录保存图片。

将 PDF 转换为 EPUB

此操作分为两部分：首先使用 OCR 扫描和识别 PDF 内容（与 Markdown 转换类似），然后再通过 LLM 生成 EPUB 文件：

第一步：创建 PDF 提取器对象

from pdf_craft import PDFPageExtractor

extractor = PDFPageExtractor(
    device="cpu",  # 如果使用 GPU，请改为 device="cuda:0"
    model_dir_path="/path/to/model/dir/path"  # 模型下载和存储路径
)

第二步：配置 LLM 对象

from pdf_craft import LLM

llm = LLM(
    key="sk-XXXXX",  # LLM 提供商的 API 密钥
    url="https://api.deepseek.com",  # LLM 提供商的 API 地址
    model="deepseek-chat",  # LLM 提供商的模型名称
    token_encoding="o200k_base"  # 用于估算 token 的本地模型名称
)

第三步：分析 PDF 文件

from pdf_craft import analyse

analyse(
    llm=llm,  # 第二步配置的 LLM 对象
    pdf_page_extractor=extractor,  # 第一步创建的 PDFPageExtractor 对象
    pdf_path="/path/to/pdf/file",  # PDF 文件路径
    analysing_dir_path="/path/to/analysing/dir",  # 分析中间状态存储目录
    output_dir_path="/path/to/output/files"  # 分析结果存储目录
)

第四步：生成 EPUB 文件

from pdf_craft import generate_epub_file

generate_epub_file(
    from_dir_path=output_dir_path,  # 上一步生成的分析结果目录
    epub_file_path="/path/to/output/epub"  # 生成的 EPUB 文件保存路径
)

代码解释

1. analyse 函数会扫描和分析 PDF 文件，生成中间状态和最终结果。analysing_dir_path 用于存储中间状态，方便在意外中断后恢复分析。
2. generate_epub_file 函数会根据分析结果生成 EPUB 文件，并按照书本结构划分章节，同时处理注释和引用。

资源

• GitHub 仓库 ：github.com/oomol-lab/p...

---

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦