你有没有遇到过这样的场景：手头有一本珍贵的扫描版PDF教材或学术论文，想复制其中的文字做笔记，结果粘贴出来全是乱码？表格错位、公式变图、页眉页脚混杂……传统OCR工具要么识别不准，要么完全无视文档结构，让人抓狂。

今天要给大家介绍的这个GitHub新晋热门项目——pdf-craft，正是为解决这一痛点而生。它不只做文字识别，更像一位“文档考古学家”，能智能解析扫描PDF的内在结构，把混乱的图像还原成整洁、可编辑、带格式的Markdown或EPUB电子书。

一、为什么pdf-craft值得程序员关注？

截至2025年12月13日，pdf-craft已在GitHub收获3625颗星，作为今日首次上榜的新项目，它的技术亮点非常明确：专注于扫描书籍类PDF的高质量转换。不同于通用OCR工具，它特别优化了对书籍排版的理解能力——自动过滤页码和页眉页脚、保留脚注引用、识别复杂表格，甚至能处理数学公式。

更关键的是，从v1.0.0版本开始，它彻底转向全本地化架构，不再依赖大语言模型（LLM）进行后处理，而是深度集成DeepSeek OCR。这意味着：无需联网、速度更快、稳定性更高，非常适合生产环境部署。

二、技术架构：轻量但不简单

pdf-craft的技术栈清晰而务实：

OCR引擎：DeepSeek OCR（基于PyTorch，支持多尺度模型）PDF渲染：Poppler（通过pdf2image调用）输出格式：Markdown（含图片资产目录） / EPUB（自动生成目录）

设计上采用策略模式与工厂模式，允许用户灵活选择表格渲染方式（HTML或截图）、公式输出格式（MathML、SVG或图片），甚至可自定义PDF处理器。这种模块化设计极大提升了扩展性。

三、上手体验：简单到离谱，但有隐藏门槛

安装命令看似简单：

pip install torch torchvision --index-url https://download.pytorch.org/whl/cpupip install pdf-craft

但注意！官方README特别强调：必须手动安装Poppler（用于PDF解析）。这对Linux用户还好说，Windows用户可能需要折腾PATH配置。此外，若想启用GPU加速OCR（强烈推荐，CPU模式极慢），还需配置好CUDA环境。

一旦环境就绪，使用极其简洁。转换为Markdown只需三行代码：

from pdf_craft import transform_markdowntransform_markdown( pdf_path="input.pdf", markdown_path="output.md", markdown_assets_path="images",)

生成EPUB也类似，只需补充书籍元数据：

from pdf_craft import transform_epub, BookMetatransform_epub( pdf_path="input.pdf", epub_path="output.epub", book_meta=BookMeta(title="书名", authors=["作者"]),)四、生产级用法：预下载模型，彻底离线

在服务器环境中，建议预下载OCR模型并启用离线模式：

from pdf_craft import predownload_models, transform_markdownpredownload_models(models_cache_path="./models")transform_markdown( pdf_path="input.pdf", markdown_path="output.md", models_cache_path="./models", local_only=True, # 禁止联网 ocr_size="gundam", # 最高质量模型 includes_footnotes=True,)

这里的ocr_size="gundam"是个有趣的命名——官方称这是最大、最精准的模型（默认值），资源充足时首选。

五、适合哪些人用？学术研究者：快速将扫描论文转为可编辑文本数字出版从业者：批量处理古籍、旧书数字化技术博主：把PDF教程转成Markdown发布语言学习者：配合其兄弟项目epub-translator制作双语电子书六、我的看法：生产力工具，非玩具项目

作为长期被Java生态“折磨”的开发者，我虽不常用Python，但对这种解决实际问题的工具充满敬意。MIT许可证也比早期AGPL友好得多。

不过需注意三点：

GPU几乎是刚需：CPU模式速度难以接受Poppler依赖是隐形门槛不再有LLM文本纠错：如需语义修正，需自行添加后处理

如果是我，会将其封装为Docker微服务，对外提供REST API，完美适配企业知识库场景。

互动时间：你平时如何处理扫描PDF？是否遇到过结构混乱的困扰？欢迎在评论区分享你的经验，或者聊聊你希望这类工具还能增加什么功能！