init

2026-05-31 16:16:51 +07:00
commit 41823dcbf8
4 changed files with 468 additions and 0 deletions
@@ -0,0 +1,74 @@
+# pdf2ai
+
+Model-free конвертер PDF → markdown для локального агента: главы по разделам, картинки рядом, grep по `<!-- page N -->`.
+
+## Зависимости
+
+- Python **3.10+**
+- pip-пакеты из [`requirements.txt`](requirements.txt): `pymupdf`, `pdfplumber`, `Pillow`
+
+Скрипт [`run.sh`](run.sh) сам создаёт `.venv` и ставит зависимости.
+
+## Быстрый старт
+
+```bash
+chmod +x run.sh
+./run.sh                          # по умолчанию RealTek-r8169.pdf
+./run.sh path/to/doc.pdf          # свой PDF
+./run.sh doc.pdf -o out/my-doc    # свой каталог вывода
+```
+
+Структура вывода `out/<stem>/` (по умолчанию):
+
+```
+out/RealTek-r8169/
+├── INDEX.md              # оглавление со ссылками на главы
+├── chapters/             # одна глава = один файл
+│   ├── 01-features.md
+│   └── ...
+└── assets/               # embedded PNG + page PNG для сломанных layout-страниц
+```
+
+С флагом `--single-file` вместо `INDEX.md` и `chapters/` пишется один `{stem}.md` (каталог `assets/` всё равно создаётся).
+
+### Опции extract.py
+
+| Флаг | Описание |
+|------|----------|
+| `--single-file` | Один `{stem}.md` вместо `INDEX.md` + `chapters/` |
+| `--tables` | Включить извлечение таблиц pdfplumber (по умолчанию выключено) |
+| `--page-dpi N` | DPI для PNG-рендера страниц с битым текстом (default 150) |
+| `-o DIR` | Каталог вывода |
+
+## Grep для агента
+
+Главы разбиты по крупным разделам документа. Каждая страница помечена HTML-комментарием:
+
+```bash
+# найти упоминание регистра в главе 6
+rg -n 'DTCCR' out/RealTek-r8169/chapters/06-register-descriptions.md
+
+# все вхождения по всему документу
+rg -n 'Interrupt Mask' out/RealTek-r8169/
+
+# контекст вокруг страницы 51
+rg -n -C3 'page 51' out/RealTek-r8169/chapters/09-functional-description.md
+```
+
+Начните с [`INDEX.md`](out/RealTek-r8169/INDEX.md) — там ссылки на все главы.
+
+## Ограничения (model-free)
+
+Этот инструмент **не использует LLM/VLM**. Он комбинирует:
+
+- PyMuPDF — текст страниц и embedded-изображения
+- pdfplumber — опциональные таблицы (`--tables`)
+- эвристику «сломанной страницы» — PNG-рендер bitfield/diagram layout
+
+**Что хорошо:** быстро, локально, детерминированно; grep по главам; картинки сохраняются рядом.
+
+**Что хуже, чем Marker/Docling:** сложная вёрстка, multi-column, сканы без OCR, семантическая структура таблиц. Для таких PDF нужны модельные конвертеры или OCR.
+
+## Roadmap
+
+См. [`plan.md`](plan.md).