[开源] 扫描件 PDF 转 Markdown / EPUB，自动修复 OCR 错误

[BlackHole1]

最近我们开源了一个 PDF 处理工具 - pdf-craft，专注于解决扫描书籍 PDF 转换的痛点，让书籍数字化更智能。pdf-craft 支持将 PDF 转为 Markdown 和 EPUB ，智能处理文本、图表、公式等内容，适用于技术文档、书籍数字化、论文研究等场景。

痛点与解决方案

• PDF 不便于移动设备阅读：将 PDF 转为 EPUB ，适配各种屏幕大小
• 书籍结构混乱：智能分析章节、目录，重建结构化内容
• 注释和引用难以追踪：使用 LLM 智能处理注释和引用
• OCR 识别错误多：结合 LLM 自动矫正识别错误
• 扫描件 PDF 难以被 AI 、代码处理：分析并结构化 PDF 扫描件，以供 AI 、代码读取

主要特性

• PDF 转 Markdown

  • 纯本地运行，GPU 加速支持
  • 智能过滤页眉页脚等无关元素
  • 自动处理跨页文本顺接
  • 图表、公式自动提取为图片

• PDF 转 EPUB

  • 智能构建书籍结构和目录
  • 提取并保留注释和引用，并在 EPUB 中以合适的方式重新组织
  • 支持中断恢复分析
  • LLM 辅助校正 OCR 错误

• 技术亮点

  • 结合 DocLayout-YOLO 布局分析
  • 使用 OnnxOCR 进行文本识别
  • 集成 layoutreader 优化阅读顺序
  • 可接入 DeepSeek 等 LLM 服务

技术细节

项目基于 Python 开发，可通过 pip 安装：

pip install pdf-craft

核心使用方法示例：

# PDF 转 Markdown （纯本地处理）
from pdf_craft import PDFPageExtractor, MarkDownWriter

extractor = PDFPageExtractor(
  device="cuda:0",  # GPU 加速
  model_dir_path="/path/to/model/dir/path",
)
with MarkDownWriter(markdown_path, "images", "utf-8") as md:
  for block in extractor.extract(pdf="/path/to/pdf/file"):
    md.write(block)

对于更复杂的 EPUB 转换，可以接入 LLM：

from pdf_craft import LLM, analyse, generate_epub_file

# 配置 LLM
llm = LLM(
  key="sk-XXXXX",
  base_url="https://api.deepseek.com",
  model="deepseek-chat",
  token_encoding="o200k_base",
)

# 分析 PDF
analyse(
  llm=llm,
  pdf_page_extractor=extractor,
  pdf_path="/path/to/pdf/file",
  analysing_dir_path="/path/to/temp",
  output_dir_path="/path/to/output",
)

# 生成 EPUB
generate_epub_file(
  from_dir_path="/path/to/output",
  epub_file_path="/path/to/book.epub",
)

实际效果

立即体验，无需环境配置

想快速尝试 pdf-craft 而不想折腾环境配置？我们提供了更简单的方式： 使用 OOMOL Studio 一键体验：pdf-craft for OOMOL studio

OOMOL Studio 是我们开发的工作流 IDE ，内置了隔离的运行环境，无需复杂配置，即可立即体验 pdf-craft 的全部功能。 关于 OOMOL Studio 可以查看之前的介绍: 一款全新的工作流 IDE。

当然，pdf-craft 仍然完全开源，你依然可以按照上述方法在自己的环境中配置使用。

适用场景

• 技术文档阅读：将繁杂的技术文档转为结构化内容
• 书籍数字化：把纸质扫描书转为便携的电子书
• 论文研究：快速提取论文内容并方便引用
• 学习材料整理：将课程讲义处理为易于学习的格式
• 代码文档提取：从 PDF 教程中提取可用代码

开源与社区

项目刚刚起步，我们非常欢迎各位 V 友参与：

• GitHub 地址：https://github.com/oomol-lab/pdf-craft
• 问题反馈：https://github.com/oomol-lab/pdf-craft/issues
• 演示视频：Bilibili 链接

如果觉得不错，欢迎给项目点个 star ⭐，有什么想法也可以在评论区交流，或者提交 PR 一起完善这个工具。

你也可以通过 https://oomol.com/community/ 找到我们。

[simple233]

牛的，那么快又有新东西了

[uCharles]

好厉害

[chjian]

大佬厉害

[regent]

对于爱看书的人是一个福音，谢谢！

[jimrok]

感觉现在正处在寒武纪大爆发阶段，各种新应用层出不穷。

[kitty7030]

可以增加个功能 再转化为 pdf

[moskize]

@kitty7030 反过来转化相对好做，不过我暂时不太明白这么做的应用场景有哪些？

[b821025551b]

@moskize pdf 的兼容性更好，随便拖到浏览器就能看；这个过程就是将扫描版 pdf 转成矢量版 pdf ，提升清晰度，缩小文件体积。

[timeisweapon]

对于普通个人用户来说，还是在线转换工具方便

[yibie]

能接 Ollama 吗？

[yazoox]

这个是真的牛逼！

[docx]

分栏的 PDF 能完美解析吗

[kitty7030]

@moskize > 扫描件 PDF 难以被 AI 、代码处理：分析并结构化 PDF 扫描件，以供 AI 、代码读取
扫描图片 PDF 转成 文字格式 PDF

[xieren58]

https://developers.cloudflare.com/workers-ai/markdown-conversion/

[sunnysab]

flowhub 中点击 Open By OMMOL Studio 没有反应（似乎只是刷新了当前页面）。
分析了《聪明在于勤奋，天才在于积累》（华罗庚）一书，第 4 页的分数（ 22/7 ）没有识别成公式，整本书识别得不错，比当时导入微信读书时识别得强。

[jhytxy]

求 docker 镜像

[urlk]

微软貌似也有个 markitdown 专门转 PDF 的, 貌似没有 orc

[ayang23]

效果貌似不错

[EngAPI]

不错啊，造福墨水屏

[bfdh]

model_dir_path="/path/to/model/dir/path",
新手求问，这个应该从哪里下？

[moskize]

@sunnysab 有识别公式的方案，不过第一版先用图形作为占位符，接下来准备支持公式识别。

[moskize]

@bfdh 这个你在本地新建一个空文件夹，然后把地址传进去。这个文件夹里会在第一次下载模型，你就留着这个文件夹，下次运行就不会下载模型了。

[bfdh]

@moskize #22 明白了，谢谢。

[zero469]

非常好的 idea ，太牛逼了

[zero469]

不知道作者有没有尝试过 7B 或 32B 的 LLM ，如果效果也 OK 的话连带模型做一个纯本地的方案感觉更有吸引力

[Dreamerwwr]

在哪里配置 LLM 的 API 呢？打开后，没看到配置的位置

[KiriGiri]

厉害，做了我想做的。

[ration]

喜欢在电纸书上看书，这个真不错，谢谢

[cyp0633]

好用，不过现在 LLM 主要是用来纠正文字吧，我觉得可以用 Gemini 等多模态 LLM 一块儿识别公式，转换成 LaTeX 格式

[sunnysab]

@moskize #21 好的。我的意思是，文中是个分数，但实际被识别为纯文本了，并且位置有点小问题。 希望后面改进！关注！

[hinate]

太强了👍🏻

[cooper]

这个好，已 star ！

[manning]

mathpix 上付费的 PDF 转 markdown ，这个能代替吗

[UB]

跟 PyMuPDF 比起来怎么样呢？同时 PyMuPDF 也有 LLM 的支持 https://pymupdf.readthedocs.io/en/latest/pymupdf4llm/

[moskize]

@3085570450tt 看介绍它们好像是为 LLM 提取文本，而不是用 LLM 处理文本。而且 PyMuPDF 我记得是不提供 OCR 的。

[moskize]

@sunnysab 这种想想都难识别😂 我看看公式识别相关 AI 能不能抓到这种，不过估计够呛

[Yien]

厉害(òωó)👍

[luyg]

厉害，我要试试

[akira]

先给个 star 后面有空了 试一下

[oyjt]

大佬，厉害呀。先 star 了为敬

[yueyueniao89]

先马克，pdf 转 epub

[x4gz]

这个带多线程吗 不然有的几百页的书转起来也太慢了

[moskize]

@x4gz 下一步考虑做多线程

[PersueYan]

这个有点意思
其他格式文档统一转 pdf 好搞
然后 pdf 统一提取文字图片，再分类按需处理
先 mark 了
就是不知道复杂格式的 pdf 识别和提取准确度怎么样

[zizek]

初步用了一下 pdf-craft 的本地模型功能，发现它是把矢量 pdf 文档当成图片，重新 OCR 之后形成的文本。
请教一下，有这样一个需求，能用 pdf-craft 实现吗？
完全是矢量化的 pdf 文档，已经不需要识别了。只需要内容提取出来，生成 epub 。

其实现在 calibre 能够完成这样的转化，但缺点是，跨页的段落不能合并成一段，这样一句话就会被放在两个段落里。pdf-craft 似乎能够很好地合并段落，保持句子的完整性。
如果提供“直接处理矢量 pdf"的选项，那就能节省很多时间。不知是否可能？

[moskize]

@zizek 没错，现在会多此一举做这个动作。这里是一个优化点，等于要允许跳过 OCR 截断直接进入分析阶段。calibre 估计没有做合并段落操作。这个用算法很难准确识别，毕竟 PDF 本身是没有这个信息的。pdf-craft 完全是让 LLM 来判断句子到底有没有被切断，然后拼起来。

[isSamle]

能不能整个 docker😂