提交您的產(chǎn)品 
Ai應(yīng)用
Ai資訊
AI生圖
AI生視頻
開源AI應(yīng)用平臺(tái)PDF-Craft：一個(gè)掃描書籍PDF文件轉(zhuǎn)Markdown/EPUB工具
PDF-Craft是什么？
PDF-Craft是一個(gè)用于處理PDF文件的開源項(xiàng)目，專注于將掃描書籍的PDF轉(zhuǎn)換為Markdown或EPUB格式。它通過OCR技術(shù)識(shí)別文字，并利用ai算法提取文本、過濾頁(yè)眉頁(yè)腳等元素，生成結(jié)構(gòu)化內(nèi)容。支持本地計(jì)算和LLM輔助功能，適合學(xué)術(shù)論文、小冊(cè)子及長(zhǎng)篇書籍的格式轉(zhuǎn)換。
PDF-Craft功能特征
格式轉(zhuǎn)換：
支持將PDF轉(zhuǎn)換為Markdown格式，適合論文或小書本。
超過100頁(yè)的，可結(jié)合了本地OCR和云端LLM處理，生成帶目錄分章節(jié)的EPUB。
智能提?。?/strong>
使用DocLayout-YOLO和自定義算法提取正文，過濾頁(yè)眉、頁(yè)腳、腳注、頁(yè)碼等元素。
在跨頁(yè)時(shí)，算法會(huì)處理前后文的順接問題。
OCR識(shí)別：
使用OnnxOCR進(jìn)行文字識(shí)別，支持插圖、表格和公式的截圖，并直接插入到輸出文件中。
閱讀順序優(yōu)化：
通過layoutreader確定符合人類閱讀習(xí)慣的順序。
LLM輔助：
在EPUB轉(zhuǎn)換過程中，通過LLM（如DeepSeek）讀取注釋和引用信息，并在EPUB中呈現(xiàn)。
LLM還能在一定程度上糾正OCR錯(cuò)誤。
本地運(yùn)行：
支持CPU和GPU加速，無(wú)需聯(lián)網(wǎng)即可完成大部分操作。
PDF-Craft應(yīng)用場(chǎng)景
學(xué)術(shù)研究：將掃描的學(xué)術(shù)論文轉(zhuǎn)換為Markdown或EPUB格式，便于編輯和閱讀。
電子書制作：將掃描書籍轉(zhuǎn)換為EPUB格式，生成帶目錄和章節(jié)的電子書。
文檔處理：提取PDF中的文字和圖像，用于進(jìn)一步編輯或歸檔。
PDF-Craft使用方法
1. 安裝：需要Python 3.10及以上版本，支持CUDA加速。
2. PDF轉(zhuǎn)Markdown：
from pdf_craft import PDFPageExtractor, MarkDownWriter extractor = PDFPageExtractor(device="cpu", model_dir_path="/path/to/model") with MarkDownWriter(markdown_path, "images", "utf-8") as md: for block in extractor.extract(pdf="/path/to/pdf"): md.write(block)
3. PDF轉(zhuǎn)EPUB：
from pdf_craft import PDFPageExtractor, LLM, analyse, generate_epub_file extractor = PDFPageExtractor(device="cpu", model_dir_path="/path/to/model") llm = LLM(key="sk-XXXXX", url="https://api.deepseek.com", model="deepseek-chat") analyse(llm=llm, pdf_page_extractor=extractor, pdf_path="/path/to/pdf", analysing_dir_path="/path/to/analysing", output_dir_path="/path/to/output") generate_epub_file(from_dir_path="/path/to/output", epub_file_path="/path/to/output.epub")
github項(xiàng)目：https://github.com/oomol-lab/pdf-craft
