扫描版PDF转可编辑Markdown/EPUB,这款免费开源OCR工具太实用

电脑里有几本扫描过的旧书，想看的时候才发现都是摆设：要摘一段话就得一个字一个字敲出来，手机上打开又要放大缩小，找不到从哪里接着往下看。真正的问题并不是文件打不开，而是文件里面的文字不能用——不能复制、不能搜索、不能随着屏幕换行。

DF Craft 这个开源工具就是把扫描页上的文字识别出来，整理成可以编辑的文档或者可以跟着屏幕重新排版的电子书。

项目是什么

PDF Craft 是一个可以用来扫描书籍、论文和技术文档的开源软件。用OCR识别图片中的文字，再对正文、目录、脚注、表格和插图进行处理，并导出为Markdown或者EPUB。前者可以修改，后者适合阅读器。也可以不安装，有在线入口。

图1 中文页面可以上传 PDF 或 EPUB 文件，一个文件一次。图中为上传入口，并非转换完成页。

能做什么

手头有一大堆扫描资料，可以转换为Markdown格式，把文字和图片整理到笔记里；想要读完整本书的话，可以转换成EPUB格式，让文字随着屏幕排版。

外语资料也可以继续处理：转换的时候进行翻译，或者直接把已经转换好的 EPUB 文件输出成纯译文或者双语版本。双语会把译文放在原文后面，便于对照。已经有的 EPUB 也不需要再做图片识字了。

快速上手

只处理一份文件，可以从仓库首页进入在线版，上传之后选择输出格式。本地识别路线为：准备好Python 3.11-3.13、Poppler（读取PDF的工具）、英伟达显卡以及对应的CUDA版本的PyTorch（使模型使用显卡）。把convert.py保存到同一个文件夹里，并且把input.pdf也放进去；第一次运行的时候会下载模型。

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

from pdf_craft import DeepSeekOCRLocalConfig, PDFCraft, PDFOptionscraft = PDFCraft(pdf=PDFOptions(    ocr=DeepSeekOCRLocalConfig(models_cache_path="models")))craft.convert_pdf_to_markdown(    "input.pdf", "output.md",    assets_path="images",    extraction_path="book.pcex",)# 需要电子书时，将上面的转换调用换成：# craft.convert_pdf_to_epub("input.pdf", "output.epub", label_language="zh")

python convert.py

实测展示

旧书里的话以及插图可以保留吗？

对照组Markdown。左边是带有纸张底色的扫描页，上面的文字粗细不一，中间还有装置示意图。右边已经整理好了标题、自然段和插图，图前面后面的说明仍然在阅读顺序中。它所做的是把字抄出来之后再做一步。

图2 该书的转换对照图。右边保留了中文段落以及装置插图，图中的旧书内容只用来说明识别和排版的效果。

对整理资料的人而言，这样的改变是实实在在的。文字还可以继续校对、摘录，插图也不需要重新截取。移动生成的Markdown的时候要把图片目录一起带走，不然笔记里图片就找不到了。

注意代码中出现的两个地方：images 用来存放图片，book.pcex 保存提取的结果。后者的功能就是把已经识别过的材料打包保存起来，以后换输出格式或者继续翻译的时候可以重复使用，避免重复识别。

带脚注的书，换成电子书会怎样？

另外一组EPUB对照中，左边书页正文下方有几条小字注释，右边变成阅读器里双页排版，正文中还可以看到注释标记。阅读单位由“一张纸”变成了“一段文字”，不用再按照扫描页的边框往下移动了。

图3 另一个书籍样例的EPUB效果，正文中的注释标记也被保留了下来。双页、底色、字号都是由阅读器来决定的。原文夹带的外文引文也全部保留下来了。

这张图片可以显示正文和注释标记的显示情况，但是不能看出每条脚注是否可以正确跳转。自己看书的时候，要试着打开注释，再查一查跨页段落、标题以及插图的位置，不能只看首页排得整齐不整齐。

原稿模糊不清、页面歪斜、小字密布都会影响结果。可以先挑出有正文、插图、脚注的几页来查看，然后再决定是否对整本书进行处理。技术资料要核对公式、表格，不能让一个数字出错，跟着进了笔记。

最后说两句

PDF Craft 的用途很实际，可以把存放在硬盘上的扫描书籍变成可以摘录、整理并且更容易阅读的内容。

转换之后还要核对文字，特别是数字、公式和脚注。但是可以节省很多时间去敲打书页来写字，这也是值得一试的。手上有一份没有整理好的旧资料，可以先挑几页看看有没有用。

仓库地址

https://github.com/oomol-lab/pdf-craft