PDF Craft – 将扫描的 PDF 转换为可编辑的 Markdown 或 EPUB（含翻译）

功能说明

PDF Craft 是一个 Python 库，可处理扫描的 PDF 书籍或技术文档，并提取其内容 – 文本、图片、表格、公式、脚注和目录。提取的材料可保存为：

• Markdown（纯文本与图片资源）– 易于编辑、搜索或馈入其他管道。
• EPUB – 具备正确元数据和导航的即读电子书。
• 翻译版本 – 库可调用文本生成 LLM 来翻译提取的文本，生成双语 Markdown/EPUB，甚至可将翻译内容渲染回原始页面的新 PDF。

重要性

扫描的书籍通常锁定在仅含图像的 PDF 中，难以搜索、编辑或重新利用。PDF Craft 自动化整个管道：

1. OCR – 使用 DeepSeek OCR（或其他支持的後端），可通过远程 API 或在本地 CUDA GPU 上运行。
2. 结构检测 – 识别章节、目录、脚注、表格、公式和图片，保留逻辑布局。
3. 导出 – 生成干净的 Markdown 或符合标准的 EPUB，可选地加入小型 LLM 提取的元数据。
4. 翻译 – 利用独立的 LLM 翻译文本，支持双语输出或完全翻译的 PDF。

这节省了数小时的手动重新输入时间，并启用下游任务，如摘要、知识图谱创建，或将文本馈入其他 AI 模型。

快速开始

# 安装包（远程 OCR 开箱即用）
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",  # 您的 OCR 服务端点
            api_key="your-api-key",
            model="deepseek-ocr",
        ),
    ),
)

# 转换为 Markdown
craft.convert_pdf_to_markdown("input.pdf", "output.md")

# 或转换为 EPUB
craft.convert_pdf_to_epub("input.pdf", "output.epub")

对于异步应用，请使用 AsyncPDFCraft 并 await 相同的方法。

本地 GPU 模式

如果您有 NVIDIA GPU，可以安装额外依赖：

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

然后库会从 Hugging Face 本地加载 DeepSeek OCR 模型。

主要组件

组件	角色
DeepSeek OCR / DeepSeek OCR 2 / Unlimited OCR	文本识别后端（远程或本地）。
XMLTranslator	调用文本生成 LLM 翻译提取的内容。
.pcex 提取文件	序列化的中间表示，可重复用于后续渲染、翻译或分享。
Ghostscript + 字体	将翻译文本写回原始 PDF 页面时需要。

何时选择哪种使用路径

路径	最适合	需求
在线演示	快速试用，无需安装任何东西。	网页浏览器。
Python + 远程 OCR	不想在本地运行重型 OCR 模型的开发者。	Poppler、OCR 服务 URL 和 API 密钥。
Python + 本地 OCR	完全离线处理、批处理作业或隐私敏感数据。	Poppler、CUDA GPU、足够的 VRAM、模型文件。

文档与生态系统

• 安装指南 – Poppler 设置、GPU 要求、本地 OCR 的额外安装。
• OCR 后端 – 如何配置远程服务或下载本地模型。
• PDF 转换与翻译 – 元数据提取、双语 EPUB 和 PDF 回译的选项。
• EPUB 翻译 – 替换或附加翻译文本。
• API 参考 – 类型如 PDFCraft、AsyncPDFCraft、DeepSeekOCRVendorConfig、PDFOptions。
• .pcex 格式 – 可移植提取文件，供重复使用。
• 故障排除 – 常见的安装和转换问题。

谁可能使用它

• 研究人员与学生，需要扫描论文或书籍的可搜索、可编辑版本。
• 开发阅读应用的开发者，想要摄取旧版 PDF。
• 内容创作者，想要将旧书翻译成新语言。
• 知识图谱项目（例如链接的 Wiki Graph 仓库），需要干净文本以构建摘要或图谱。

---

PDF Craft 是开源（MIT），并基于 DeepSeek OCR、Unlimited OCR 和其他社区库。