pdf2ai

Model-free конвертер PDF → markdown для локального агента: главы по разделам, картинки рядом, grep по .

Зависимости

Python 3.10+
pip-пакеты из requirements.txt: pymupdf, pdfplumber, Pillow

Скрипт run.sh сам создаёт .venv и ставит зависимости.

Быстрый старт

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:

# 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 — 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.

3.2 KiB Raw Permalink Blame History Unescape Escape