PDF-Craft实战

• 将 PDF 转换为 MarkDown

from pdf_craft import PDFPageExtractor, MarkDownWriter

extractor = PDFPageExtractor(
  device="cpu", # If you want to use CUDA, please change to device="cuda:0" format.
  model_dir_path="/path/to/model/dir/path", # The folder address where the AI model is downloaded and installed
)
with MarkDownWriter(markdown_path, "images", "utf-8") as md:
  for block in extractor.extract(pdf="/path/to/pdf/file"):
    md.write(block)

如果原始 PDF 中有插图（或表格、公式），则会在与保存图像相同的级别创建一个目录。

目录中的图片将在 MarkDown 文件中以相对地址的形式被引用。*.md``assets``*.md``assets

• 将 PDF 转换为 EPUB

  首先创建PDF抽取对象

extractor = PDFPageExtractor(
  device="cpu", # If you want to use CUDA, please change to device="cuda:0" format.
  model_dir_path="/path/to/model/dir/path", # The folder address where the AI model is downloaded and installed
)

将抽取的内容送给LLM，生成EPUB文件

from pdf_craft import analyse
from pdf_craft import LLM

llm = LLM(
  key="sk-XXXXX", # LLM 供应商提供的 key
  url="https://api.DeepSeek.com", # LLM 供应商提供的 URL
  model="deepseek-chat", # LLM 供应商提供的模型
  token_encoding="o200k_base", # 进行 tokens 估算的本地模型名（与 LLM 无关，若不关心就保留 "o200k_base"）
)

analyse(
  llm=llm, # 上一步准备好的 LLM 配置
  pdf_page_extractor=pdf_page_extractor, # 上一部准备好的 PDFPageExtractor 对象
  pdf_path="/path/to/pdf/file", # PDF 文件路径
  analysing_dir_path="/path/to/analysing/dir", # analysing 文件夹地址
  output_dir_path="/path/to/output/files", # 分析结果将写入这个文件夹
)

• output_dir_path，表示扫描和分析的结果（会有多个文件）应该保存在哪个文件夹。

• analysing_dir_path，用来存储分析过程中的中间状态。

• 在分析结束后，将 output_dir_path 文件夹地址传给如下代码作为参数，即可最终生成 EPUB 文件。

pdf-craft主要功能：

• 使用本地 AI 模型将 PDF 转换为 Markdown 格式，无需联网
• 支持将 PDF 转换为带结构的 EPUB 电子书格式
• 智能识别并过滤页眉、页脚、脚注、页码等干扰元素
• 自动处理图表、公式，以图片形式保留在转换后的文件中
• 结合 LLM 技术构建书籍结构，生成带目录和章节的 EPUB

pdf-craft的转化逻辑

首先，将PDF分页拆解成图片

其次，利用DocLayout-YOLO识别图片中的block元素，包括：页眉、页脚、段落、标题、图片、表格、图表、页码等信息

然后，利用layoutreader对block进行排序

接着，利用OnnxOCR，识别block中的文字

最后，将OCR识别的文字，输送给Deepseek，并通过特定信息（比如目录等）来构建书本的结构，最终生成带目录，分章节的 EPUB 文件。

这个解析和构建的过程中，会通过 LLM 读取每页的注释和引用信息，然后在 EPUB 文件中以新的格式呈现。