pdf-craft

什麼是pdf-craft ？

pdf-craft是一款專注於掃描書籍PDF文件的轉換工具，支持將PDF轉換為Markdown和EPUB格式。它基於DocLayout-YOLO算法進行頁面佈局分析，並結合OCR技術提取文本，自動去除頁眉、頁腳、腳註等非正文元素，確保輸出的文本內容連貫、結構清晰。

主要功能

• PDF轉Markdown：提取正文內容，保留文本結構，自動插入圖片、表格和公式的截圖，生成高質量的Markdown文件。

• PDF轉EPUB：結合OCR與LLM，構建書籍目錄和章節，修正OCR錯誤，優化閱讀順序，輸出適配電子書閱讀器的EPUB文件。

技術原理

• 頁面佈局分析：利用DocLayout-YOLO識別文本塊、圖片、表格等元素，精準提取正文內容。

• OCR文本識別：基於PaddleOCR技術，提高掃描文本的識別準確度。

• 跨頁處理：優化文本塊的邏輯銜接，確保跨頁內容的語義流暢。

• 閱讀順序優化：使用layoutreader調整文本塊順序，符合人類閱讀習慣。

應用場景

• 學術研究：將掃描的論文轉換為Markdown或EPUB。

• 電子書製作：將書籍PDF轉換為EPUB，生成目錄和章節。

• 文檔存檔：將紙質文件或PDF存檔為Markdown或EPUB格式。

• 教育資料整理：轉換教材或講義，提高教學與學習效率。

• 個人學習：整理掃描資料，便於筆記記錄和復習。

項目地址

GitHub倉庫： pdf-craft