技能介绍

问题：扫描 PDF 难以变成可编辑电子书

很多旧书、论文、讲义以扫描版 PDF 保存，文字在图片里，复制、检索、排版和阅读体验都受限。直接把 PDF 塞进阅读器也不够，想要转成 Markdown 或 EPUB，常遇到标题层级丢失、公式变乱码、表格断行、图片散落等问题。本技能面向这类“扫描件到结构化电子书”的转换任务，适合在本地环境处理中文、英文书籍和技术文档。

工作方式：本地 OCR + 多后端转换

它把 PDF 当作渲染文档，而不是简单文本提取。转换时会先判断 PDF 是否已有可用文本层，若每页字符足够，就直接提取，避免无意义 OCR；若属于扫描版，则调用本地 OCR 后端进行识别。支持 pdf-craft、Marker、MinerU 等后端，可按中文质量、公式、表格、速度或显存占用做选择。

核心输出包括：

Markdown：保留标题层级，提取图片到资源目录，适合二次编辑与版本管理。
EPUB：生成目录结构，表格渲染为 HTML，公式渲染为 MathML，适合直接导入电子书阅读。
批量处理：按目录转换，已存在输出自动跳过，中断后可重跑。

运行时依赖本地 Python 环境、PDF 渲染工具和 OCR 模型。GPU 存在时可启用更大模型，CPU 环境会自动降级到更轻量的配置，Apple Silicon 也可通过 MPS 利用 GPU。

适用边界

该技能主要优化中文和英文场景，对日文、韩文也有一定支持，但其他语言需要自行验证。EPUB 输出目前仅 pdf-craft 后端支持；若追求公式、表格、代码块质量，可优先尝试 MinerU；若追求批量速度，可选择 Marker。扫描件质量较差、页面倾斜、水印严重或手写内容时，识别效果会下降。转换结果仍需人工校对，尤其是脚注、页眉页脚、复杂跨页表格和出版级排版。