【简介】上一篇文章已经试过了，超大PDF文档转换Markdown格式，会失败或报错。就算成功，导入本地知识库也会出现问题，因此最佳方法是将大PDF文件切割成小PDF文件。
PDFsam Basic 下载与安装
PDFsam Basic 是一款免费、开源、可在本地运行的 PDF 文件处理软件。 它最核心的功能是分割、合并、提取和重新排列 PDF 页面。
① PDFsam Basic（pdfsam.org）中 PDFsam 的全称是 PDF Split and Merge，意思是 PDF 分割与合并。
② 可以下载多个平台版本，这里我们选择适合Mac Studio的安装版本。
③ 点击安装文件，首先显示版本信息，点击【Agree】。
④ 拖动PDFsam Basic图标到Applications，开始安装。
⑤ 打开APP窗口，点击PDFsam Basic图标。
⑥ 进入主界面，右下角显示有7.0版本了，不过要输入邮箱等信息申请。
⑦ 选择菜单【Settings】，将语言Language从English改为中文（中国），无需保存，立即生效。
上一篇文章中MinerU一次只能转换200页PDF，那我们试试将5000页的PDF都转换200页一个的小文件。
① 选择菜单【Split】，点击【选择PDF】加载那个有5000页的PDF文件。
② 选择的文件共有5603页，PDF版本1.4，分割设置选择【每"n"页分割】，输入200，输入设置这里选择存放到Mac的文档目录下，也可以自建子目录存放。高级设置是隐藏的，可以点开，输入出文件压缩有三个选项，分别是：
● 压缩：输出PDF中的所有流将通过应用FlateDecode编码进行压缩
● 中性：流保持与原始文件不变
● 解压缩：FlateDecode 和 LZWDecode过滤器将从所有流中移除。用于调试或手动检查
这里选择了中性，流何持与原始文件不变。然后还启用了丢弃书签，最后修改了一下文件的名字前缀，后期转换时多件多了好区分。点击【运行】。
③ 几乎还没反应过了，就分割完成了，点击打开文件夹。
④ 原来是我误解了命名方式，先是启始页，然后是文件名前缀，最后是原来的文件名。
⑤ 打开第一个文件，果然是200页。
⑥ 原始PDF文件在Mac上预览时左侧会显示书签内容，而上图左侧则没有，说明书签是被删除了的。
建议将PDF按书签上的章节载切，这样做的好处是，每个 PDF 都有明确的章节含义，后续整理知识库文件、定位原文和检查引用来源都会更方便。
① PDF 按章节拆分与知识库内部的文本切片是两个不同步骤。 象这个SD-WAN章节有就有678页，可以先保存为一个完整的章节 PDF，再由知识库按照段落、标题或 Token 数进行切片。
② 在PDFsam Basic 中选择菜单【Split by bookmarks】，点击【选择PDF】。
③ 选择PDF文档后，分割设置这里书签等级这里有三个选项，分别是1、2、3，通常都是按1级书签分割，这里选择1，匹配正则表达表式，则是从书签里挑选出指定书签分割，例如.*SD-WAN.*，则只分割包含SD-WAN的书签。不填就是分割所有书签。
输入设置指定一个专门存放分割文件的目录，高级设置也是一样，输入出文件压缩选择中性，启用丢弃书签。最后那个文件名设置，不想太复杂，所以删除为空，点击【运行】。
④ 很快就运行完成，点击打开文件夹。
⑤ 这次的文件命令就很简单了，前面代表页数的数字也是不规则的。
⑥ 打开关于SD-WAN的PDF，可以看到左右没有书签，总页数为678页在，是一整章的内容。
⑦ 删除无用的目录以及只有一页的章节，重新给文件名加上章节名称，这样就将5000多页的大PDF文件，按章节裁切成18个小PDF文件了。后面就可以转换成Markdown格式再喂给本地知识库了。
Docling 转换格式
上一篇文章中，我们用MinerU和Docling分别做了转换Markdown格式测试，MinerU每次只能转换200页（当然也有可能命令模式下没有限制），Docling转换5000页的时候报错，所以这次再用Docling转换，看看还会不会报错。
① 打开Docling，加载入第一章PDF文件，点击【Convert】。
② 经过一段时间等待，成功转换。点击【All(.zip)】，保存压缩文件。
③ 循环往复，总算把18个章节全部转换成Markdown格式，最大一个PDF有917页，Docling非常给力。下一步就可以创建本地知识库了。
MinerU 转换格式
虽然Docling可以转换近千页的PDF文档，但是解析出来的图片始终感觉很模糊。
① 又打开MinerU解析了一个PDF文档，虽然限制了200页，但是解析后获得的图片感觉和原图差不多大，比较清晰。
② 好奇心驱使，找到两个不软件解析得到的相同图片一对比，不比不知道，一比吓一跳。
③ 即然MacOS版本的MinerU有限制，那命令版本的会不会就没限制呢，说干就干，打开终终端窗口，输入命令 mkdir -p ~/Applications/MinerU 创建一个目录，再输入命令 cd ~/Applications/MinerU 进入到目录中。
④ MinerU和Docling一样，也需要Python环境，如果需要安装的可以看前二篇文章，这里已经有了就不再累述了。首先用命令 uv venv --python 3.12 .venv 创建 Python 3.12 虚拟环境，然后再用命令 source .venv/bin/activate 激活环境。
⑤ 然后就可以用命令 **uv pip install -U "mineru>=4.0,<5"**进行安装。这是 MinerU 官方提供的基础安装方式。Apple Silicon 会自动安装所需的 Torch 依赖，不需要照搬 NVIDIA 显卡电脑的安装方案。
⑥ 首次安装可能需要下载不少 Python 依赖，首次解析还可能下载模型权重。所以要保持网络畅通，并预留足够的磁盘空间。安装完成后，执行命令 mineru-kit webui --server-name 127.0.0.1 --server-port 7860 启动服务。
⑦ 打开浏览器，输入网址 https://172.0.0.1:7860，显示了个 MinerU 4 的界面，这个应该才是正统吧。点击上传文件。
⑧ 直接打开了678页的PDF文档，点击【转换】，这里显示不限页数。
⑨ 经过37分钟的等待，678页PDF转换完成。经过图片对比，和MacOS版本解析的图片是一样大小的。
⑩ 不过图片的文件名指出了出自哪一页，哪个类型，这个好评。好是好，不过为了得到清晰一些的图片，又要把18个PDF再用MinerU转一次了。
