pdf-craft 是用在将 PDF 文件转换为其他格式（如 Markdown、EPUB）的工具，专注于处理扫描书籍的 PDF 文件。pdf-craft 支持提取正文内容，过滤掉页眉、页脚、脚注等非正文元素。基于结合 DocLayout-YOLO 算法和 PaddleOCR 文本识别技术，pdf-craft 能有效处理跨页问题，生成语义通顺的文本。

pdf-craft的主要功能

• PDF 转 Markdown 功能：将 PDF 转换为 Markdown 格式，提取正文内容保留结构，将插图、表格和公式用截图形式嵌入，确保生成的 Markdown 文件语义连贯。
• PDF 转 EPUB 功能：借助大型语言模型构建 EPUB 的书籍结构生成目录，整合注释和引文，纠正 OCR 错误，转换为适配电子书阅读器的 EPUB 格式。

pdf-craft的技术原理

• 页面布局分析：基于 DocLayout-YOLO 算法对 PDF 页面进行布局分析，识别文本块、图片、表格等元素的位置和边界。结合自定义算法进一步优化布局解析，确保提取的正文内容准确且完整。
• 文本识别：基于 PaddleOCR 进行文本识别。PaddleOCR 是高性能的开源 OCR 工具，能准确识别扫描书籍中的文字内容。基于预训练模型对页面中的文本块进行识别和提取。
• 跨页处理：在处理跨页文本时，基于算法判断文本块之间的逻辑关系，确保跨页文本的连贯性。
• 阅读顺序优化：基于 layoutreader 确定文本块的阅读顺序。根据页面布局和文本块的位置，生成符合人类阅读习惯的顺序。

pdf-craft的项目地址

• GitHub仓库：https://github.com/oomol-lab/pdf-craft

pdf-craft的应用场景

• 学术研究：将扫描的学术论文转换为Markdown或EPUB格式，方便编辑、注释和整理。
• 电子书制作：将扫描的书籍转换为EPUB格式，生成目录和章节结构，便于发布和阅读。
• 文档存档：将纸质文档或PDF文件转换为Markdown或EPUB格式，便于长期存档和检索。
• 教育资料整理：将扫描的教材或讲义转换为可编辑格式，方便教师整理和学生学习。
• 个人学习：将扫描的书籍或资料转换为Markdown格式，方便个人笔记整理和复习。