PDF Craft – スキャンされた PDF を編集可能な Markdown または EPUB に変換（翻訳付き）

機能

PDF Craft は、スキャンされた PDF の書籍や技術文書を処理し、そのコンテンツ（テキスト、画像、表、数式、脚注、目次）を抽出する Python ライブラリ です。抽出された資料は、以下として保存できます：

• Markdown（プレーンテキストと画像アセット）– 編集、検索、他のパイプラインへの取り込みが簡単。
• EPUB – 適切なメタデータとナビゲーションを備えた、すぐに読める電子書籍。
• 翻訳版 – ライブラリはテキスト生成 LLM を呼び出して抽出テキストを翻訳し、バイリンガル Markdown/EPUB や、翻訳を元のページにレンダリングした新しい PDF を生成できます。

重要性

スキャンされた書籍は通常、画像のみの PDF に固定されており、検索、編集、再利用が困難です。PDF Craft はパイプライン全体を自動化します：

1. OCR – DeepSeek OCR（または他のサポートされているバックエンド）を、リモート API または CUDA 対応 GPU 上のローカルで使用します。
2. 構造検出 – 章、目次、脚注、表、数式、画像を認識し、論理レイアウトを保持します。
3. エクスポート – クリーンな Markdown または標準準拠の EPUB を生成し、オプションで小さな LLM によって抽出されたメタデータを強化します。
4. 翻訳 – 別の LLM を利用してテキストを翻訳し、バイリンガル出力または完全翻訳 PDF をサポートします。

これにより、手動での再入力の時間を節約し、要約、知識グラフの作成、他の AI モデルへのテキスト供給などの下流タスクを可能にします。

クイックスタート

# パッケージをインストール（リモート OCR はすぐに使用可能）
python -m pip install pdf-craft

from pdf_craft import DeepSeekOCRVendorConfig, PDFCraft, PDFOptions

craft = PDFCraft(
    pdf=PDFOptions(
        ocr=DeepSeekOCRVendorConfig(
            base_url="https://example.com/v1",  # あなたの OCR サービスエンドポイント
            api_key="your-api-key",
            model="deepseek-ocr",
        ),
    ),
)

# Markdown に変換
craft.convert_pdf_to_markdown("input.pdf", "output.md")

# または EPUB に変換
craft.convert_pdf_to_epub("input.pdf", "output.epub")

非同期アプリケーションには AsyncPDFCraft を使用し、同じメソッドを await してください。

ローカル GPU モード

NVIDIA GPU をお持ちの場合は、追加の依存関係をインストールできます：

python -m pip install "pdf-craft[local]"

その後、ライブラリは Hugging Face から DeepSeek OCR モデルをローカルに読み込みます。

主要コンポーネント

コンポーネント	役割
DeepSeek OCR / DeepSeek OCR 2 / Unlimited OCR	テキスト認識バックエンド（リモートまたはローカル）。
XMLTranslator	テキスト生成 LLM を呼び出して抽出コンテンツを翻訳します。
.pcex 抽出ファイル	後でレンダリング、翻訳、共有に再利用できるシリアル化された中間表現。
Ghostscript + フォント	翻訳テキストを元の PDF ページに書き戻すときに必要です。

どの使用パスを選択するか

パス	最適な用途	要件
オンラインデモ	何もインストールせずに簡単に試す。	Web ブラウザ。
Python + リモート OCR	ローカルで重い OCR モデルを実行したくない開発者。	Poppler、OCR サービス URL と API キー。
Python + ローカル OCR	完全オフライン処理、バッチジョブ、またはプライバシーに敏感なデータ。	Poppler、CUDA 対応 GPU、十分な VRAM、モデルファイル。

ドキュメントとエコシステム

• インストールガイド – Poppler のセットアップ、GPU 要件、ローカル OCR の追加インストール。
• OCR バックエンド – リモートサービスの設定方法またはローカルモデルのダウンロード方法。
• PDF 変換と翻訳 – メタデータ抽出、バイリンガル EPUB、PDF への逆翻訳のオプション。
• EPUB 翻訳 – 翻訳テキストの置換または追加。
• API リファレンス – PDFCraft、AsyncPDFCraft、DeepSeekOCRVendorConfig、PDFOptions などの型。
• .pcex 形式 – 再利用のためのポータブル抽出ファイル。
• トラブルシューティング – 一般的なインストールおよび変換の問題。

誰が使うか

• 研究者と学生 – スキャンされた論文や書籍の検索可能で編集可能なバージョンが必要な人。
• 読書アプリを開発する開発者 – レガシー PDF を取り込みたい人。
• コンテンツクリエイター – 古い書籍を新しい言語に翻訳したい人。
• 知識グラフプロジェクト（例：リンクされた Wiki Graph リポジトリ）– 要約やグラフを構築するためにクリーンなテキストが必要な人。

---

PDF Craft はオープンソース（MIT）であり、DeepSeek OCR、Unlimited OCR、および他のコミュニティライブラリに基づいています。