超酷的PDF转换工具！直接支持DeepSeek V3，本地AI精准解析PDF扫描件！

对于习惯数字阅读的人来说，扫描版 PDF 的最大痛点，就是它仅仅是纸质书的静态复制，而非真正的电子书。

如果你想要提取内容，手动复制麻烦不说，往往还会带上页眉页脚、乱七八糟的分页符，甚至 OCR（光学字符识别）也可能把“人类”识别成“八八艹”。

更别提那些包含数学公式、表格和复杂排版的书籍，转换起来更是噩梦。

今天介绍一款开源的 PDF 处理工具：PDF Craft，专注于将扫描书籍的 PDF 文件转化为 Markdown 或 EPUB 格式。

它基于本地 AI 模型运行核心功能，同时支持远程调用 LLM（如 DeepSeek V3）处理复杂任务。PDF Craft 的设计目标是“高效、精准、隐私友好”，通过智能算法和 LLM 技术，不仅提取文本，还能重构书籍结构，保留图表和公式。

该项目采用模块化架构，支持本地和远程两种模式。

本地模式利用 DocLayout-YOLO 和 OnnxOCR 等技术实现完全离线转换，而远程模式通过 LLM 增强了对大部头书籍的处理能力，为用户提供更优质的电子书转换体验。

核心功能

相比传统的 OCR 或 PDF 解析工具，PDF Craft 具备多个独特亮点：

• • 本地 AI 驱动，无需联网，保护隐私
• • Markdown & EPUB 输出，兼容性强
• • 智能清理页眉、页脚、页码、脚注
• • 公式、图表智能处理
• • 自动构建目录和章节

快速使用

PDF Craft 支持本地运行，安装和使用方式也非常简单，支持 Python 环境部署。

使用 Python 自带的 pip 包管理命令就可一键安装完成。

pip install pdf-craft

提示：如果你希望使用 GPU 加速，需要根据你的显卡配置安装相应的 CUDA 版本。

具体使用方法：

① PDF 转化为 MarkDown

此操作无需调用远程的 LLM，仅凭本地算力（CPU 或显卡）就可完成。第一次调用时会联网下载所需的模型。遇到文档中的插图、表格、公式，会直接截图插入到 MarkDown 文件中。

from pdf_craft import PDFPageExtractor, MarkDownWriter

extractor = PDFPageExtractor(
  device="cpu", # 如果希望使用 CUDA，请改为 device="cuda:0" 这样的格式。
  model_dir_path="/path/to/model/dir/path", # AI 模型下载和安装的文件夹地址
)
with MarkDownWriter(markdown_path, "images", "utf-8") as md:
  for block in extractor.extract(pdf="/path/to/pdf/file"):
    md.write(block)

执行完成后，会在指定的地址生成一个 *.md 文件。若原 PDF 中有插图（或表格、公式），则会在 *.md 同级创建一个 assets 文件夹，以保存图片。而 MarkDown 文件中将以相对地址的形式引用 assets 文件夹中的图片。

转化效果如下：

② PDF 转化为 EPUB

将使用 OCR 从 PDF 中扫描并识别文字。因此，也需要先构建 PDFPageExtractor 对象。（重复性操作代码省略掉了，可以参考上一步的）

from pdf_craft import PDFPageExtractor

extractor = PDFPageExtractor(
  device="cpu", # 如果希望使用 CUDA，请改为 device="cuda:0" 这样的格式。
  model_dir_path="/path/to/model/dir/path", # AI 模型下载和安装的文件夹地址
)

之后，需要配置 LLM 对象。建议使用使用 DeepSeek，本库的 Prompt 基于最新的 V3 模型调试。

from pdf_craft import LLM

llm = LLM(
  key="sk-XXXXX", # LLM 供应商提供的 key
  url="https://api.deepseek.com", # LLM 供应商提供的 URL
  model="deepseek-chat", # LLM 供应商提供的模型
  token_encoding="o200k_base", # 进行 tokens 估算的本地模型名（与 LLM 无关，若不关心就保留 "o200k_base"）
)

如上两个对象准备好后，就可以开始扫描并分析 PDF 书籍了。

from pdf_craft import analyse

analyse(
  llm=llm, # 上一步准备好的 LLM 配置
  pdf_page_extractor=pdf_page_extractor, # 上一部准备好的 PDFPageExtractor 对象
  pdf_path="/path/to/pdf/file", # PDF 文件路径
  analysing_dir_path="/path/to/analysing/dir", # analysing 文件夹地址
  output_dir_path="/path/to/output/files", # 分析结果将写入这个文件夹
)

在分析结束后，将 output_dir_path 文件夹地址传给如下代码作为参数，即可最终生成 EPUB 文件。

from pdf_craft import generate_epub_file

generate_epub_file(
  from_dir_path=output_dir_path, # 来自上一步分析所产生的文件夹
  epub_file_path="/path/to/output/epub", # 生成的 EPUB 文件保存路径
)

转化效果如下：

写在最后

在互联网时代，我们每天都在和各种数字化文档打交道，但扫描版 PDF 仍然是数字阅读的一大痛点。

无论是研究学术资料、阅读老旧书籍，还是归档重要文件，PDF Craft 都能提供一个高效、智能的解决方案，让原本“静态”的扫描版 PDF 变成真正可阅读、可搜索、可编辑的电子书。

它的价值，远不止于转换格式，更是一种数字化阅读体验的升级。

GitHub 项目地址：https://github.com/oomol-lab/pdf-craft