AI 应用OCR【免费下载链接】pdf-craftPDF craft can convert PDF files into various other formats. This project will focus on processing PDF files of scanned books.项目地址https://gitcode.com/gh_mirrors/pd/pdf-craft点击查看免费下载pdf-craft 是一个专注于扫描版图书 PDF 处理、可将其转换为 EPUB / Markdown 等格式的开源项目pyproject.toml。本文以 v1.0.5 版本更新日志docs/changelog/v1.0.5.md为主体逐项拆解该版本的三类核心改动——GPU 显存溢出修复、目录TOC检测精度提升、内容覆盖content override问题修复并结合仓库源码pdf_craft/extractor/toc/toc_pages.py、pdf_craft/pdf/ocr.py 等说明其底层实现机制。读完本文你将理解 v1.0.5 之前扫描版图书转换链路中的显存瓶颈从何而来、目录页误检的统计学根源以及新引入的_TOC_SCORE_MIN_RATIO阈值如何工作同时掌握升级后如何使用toc_assumed等参数控制行为。v1.0.5 改动总览类别问题修复方式关联 PR / IssueBug FixGPU 显存溢出OOM升级doc-page-extractor依赖优化模型加载顺序PR #309修复 Issue #305Bug Fix目录页检测不准限定目录页索引为文档前 17% 内的连续序列并引入_TOC_SCORE_MIN_RATIO分数下限PR #311、PR #313Bug Fix内容被覆盖content override修复内容处理逻辑PR #312Full Changelog覆盖了 v1.0.4 至 v1.0.5 的全部提交docs/changelog/v1.0.5.md末尾记录。当前仓库版本线已演进至 2.4.0见 pyproject.toml 的version字段v1.0.5 属于早期 1.x 版本线的重要质量修复节点其修复思路在后续版本中持续沿用。一、GPU 显存溢出修复模型加载顺序与显存峰值控制1.1 问题背景v1.0.4 及更早版本中在 RTX 306012GB VRAM这类中端消费级显卡上对扫描版图书执行本地 OCR 时经常出现CUDA out of memory错误Issue #305。扫描版 PDF 的每一页都要渲染成高分辨率图像后送入视觉模型进行版面分析与文字识别模型参数、图像张量、中间激活共同叠加显存峰值很容易超出 12GB 的物理上限。1.2 修复方式升级 doc-page-extractor 并优化加载顺序修复本身不在 pdf-craft 主仓库而是通过升级核心 OCR 引擎依赖doc-page-extractor完成的PR #309。模型参数的预加载与逐页推理被重新编排将最耗显存的模型初始化阶段提前并串行化避免多个大型模型同时驻留显存。从当前仓库的依赖约束可以看到这条治理路径的延续pyproject.toml 中doc-page-extractor1.2.1,2.0.0且可选依赖local [doc-page-extractor[local]1.2.1,2.0.0]注释明确说明将上游本地运行时作为一个整体依赖声明使其内部的 transformer / CUDA 相关需求由 doc-page-extractor 自己负责避免在 pdf-craft 侧重复声明引发版本漂移。在 pdf_craft/pdf/ocr.py 中OCR类将模型生命周期收敛为两个显式入口predownload(revision)→self._extractor.download_models(revision)提前把模型权重下载到本地缓存load_models()→self._extractor.load_models()负责把模型加载进显存。这种先下载、后加载、加载完成即进入逐页推理的分离设计正是对模型加载顺序优化的落地权重就位之后再统一加载避免推理过程中边加载边推理造成的显存抖动。1.3 显存治理的配套机制源码佐证即使显存溢出修复后OCR.recognize仍保留了多项降低显存/内存压力的配套能力pdf_craft/pdf/ocr.pydpi参数默认 300 DPI 渲染扫描页ref.render(dpidpi if dpi is not None else 300)调低 DPI 可显著减小送入模型的图像尺寸从而降低张量显存占用该参数在 v1.0.6 中正式对外开放docs/changelog/v1.0.6.md。max_page_image_file_size超过上限时自动降低渲染分辨率防止单页图像过大。device_number显式指定 CUDA 设备编号便于在多卡环境下手动分流。对于UnlimitedOCRVendorConfig等云端厂商 OCRrecognize_vendor会将超过 8192 像素的长边等比缩放到 8192 后再请求并记录scale_x/scale_y用于把返回的坐标还原到原始分辨率pdf_craft/pdf/ocr.py_PreparedVendorPage与_parse_vendor_response。升级建议如果你仍在 1.0.4 及更早版本并受 OOM 困扰优先升级doc-page-extractor至 v1.0.5 配套版本12GB 显存环境下建议配合dpi与max_page_image_file_size组合控制输入图像规模。二、目录页TOC检测精度提升前 17% 连续序列 分数下限目录检测是 pdf-craft 处理扫描版图书的关键能力v1.0.4 引入了基于 Aho-Corasick 子串匹配的统计式目录页定位见 docs/changelog/v1.0.4.mdv1.0.5 则针对其误检问题打了两处关键补丁。2.1 算法核心思路回顾find_toc_pagespdf_craft/extractor/toc/toc_pages.py利用一个朴素而有效的统计特征目录页中的文本会大规模与后续书页中的章节标题匹配。流程如下遍历所有页面的标题布局ref属于TITLE_TAGS的 layout将规范化后的标题注册进_SubstringMatcher内部为ahocorasick.Automatonpayload 记录(page_index, order)。对每一页正文做子串匹配统计每个标题在该页的出现次数单条匹配的分数 该页匹配次数 / 该子串在文档中出现的总次数分母惩罚了书籍标题反复出现在页眉页脚这类高熵标题。页面分数求和后降序排列用相邻分数最大落差max-diff切分出候选目录页集合。候选页按页码升序交给_human_like_toc_filter做类人类阅读习惯过滤。2.2 补丁一页码必须是前 17% 内的连续序列_human_like_toc_filter中新增了双重要求pdf_craft/extractor/toc/toc_pages.py_MAX_TOC_RATIO 0.1 # 目录页数上限max(_MIN_TOC_LIMIT, total_pages * 0.1) _TOC_HEAD_RATIO 0.18 # 目录页必须位于文档前 18%即前 17% 左右的实现 _TOC_SCORE_MIN_RATIO 3.0 # 经验估计以后再调整吧 _MIN_TOC_LIMIT 3 # 目录页数下限具体逻辑max_toc_page_index round(total_pages * _TOC_HEAD_RATIO)页码超过文档前 18% 的候选页直接剔除——真实的印刷目录必然出现在书的前部若统计分数最高的页面散落在全书各处说明匹配到的很可能是正文中的标题而非目录。目录页数上限max_toc_pages max(_MIN_TOC_LIMIT, int(total_pages * _MAX_TOC_RATIO))防止把整本书都判成目录。连续性检查从得分最高的候选页出发只保留page_index last_page_index 1的连续递增序列serial_refs一旦出现断层立即截断。这一改动直接对应 changelog 中的 ensuring page indexes are consecutive sequences——真实目录页在物理上必然是连续相邻的几页而误检的标题页通常是分散的。2.3 补丁二_TOC_SCORE_MIN_RATIO分数下限连续性过滤之后还有一道置信度闸门pdf_craft/extractor/toc/toc_pages.pymax_content_score 0.0 if cut_position len(page_refs): max_content_score page_refs[cut_position].score # 切分点之后的第一名 内容页最高分 # 被剔除但分数较高的非连续候选页也会抬高内容基线 for ref in toc_page_refs: if ref.page_index not in serial_page_indexes: max_content_score max(max_content_score, ref.score) max_toc_score serial_refs[0].score if max_toc_score _TOC_SCORE_MIN_RATIO * max_content_score: return [] # 说明目录页不足以与非目录页拉开差距不可贸然判断含义连续序列中最高分页的得分必须至少是内容页最高分的 3 倍否则判定候选页与普通正文页在统计上没有显著差异直接返回空列表宁可漏检、不可误检。_TOC_SCORE_MIN_RATIO 3.0是经验估计值源码注释为经验估计以后再调整吧属于可调参数后续若出现新的误报/漏报场景可以此常量为起点做调参实验。2.4 标题规范化的辅助作用匹配质量还依赖normalize_textpdf_craft/extractor/toc/text.py的预处理去除全部标点、拉丁字母转小写、NFD 拆解并丢弃重音符号Mn类、针对拉丁语把连字符换行截断的单词拼回、针对中韩等非拉丁语言删除字间空格。扫描件 OCR 噪声较大这一规范化步骤保证了目录文本与正文标题在字符串层面尽可能一致是统计匹配可行的前提。2.5 测试与参数入口测试用例 tests/test_toc_extraction.py 覆盖了toc_assumed开关对目录页剔除行为的影响toc_assumedFalse时find_toc_pages不会被调用find.assert_not_called()目录仅由章节标题层级生成toc_assumedTrue时检测出的目录页页码会写入TocInfo.page_indexes并在生成正文时被排除test_printed_toc_switch_only_controls_page_exclusion。顶层 API 中toc_assumed定义于ExtractionOptionspdf_craft/craft.py并被传入analyse_toc(..., toc_assumedoptions.toc_assumed, toc_llmoptions.toc_llm)。其语义与 v1.0.4 一致EPUB 默认True尽量从 PDF 中定位印刷目录以还原导航结构Markdown 默认False仅按标题层级生成目录。analyse_tocpdf_craft/extractor/toc/analysing.py中找到目录页后优先用 LLMtoc_llm分析层级失败则回退到统计方法analyse_toc_levels整个流程的结果会序列化为 XML 缓存到toc_path重复运行时直接命中缓存。三、内容覆盖Content Override问题修复v1.0.5 的第三项修复来自 PR #312针对内容处理阶段的覆盖override问题。结合 v1.0.4 的改进背景docs/changelog/v1.0.4.md该版本重构了跨页段落合并逻辑improved paragraph merging across page boundaries with better handling of override assets and line continuation——即当跨页段落携带覆盖资产如图片、公式时需要正确处理。v1.0.5 的 PR #312 正是对这类 override 场景中残留缺陷的收尾修复确保在生成章节内容时前一项如上一页的行内图片不会被后续项错误覆盖。说明PR #312 的改动未在主仓库中留下可直接引用的独立源码片段属于对上一版本段落合并重构的修正性补丁其效果可通过 v1.0.5 之后版本中章节流组装逻辑pdf_craft/extractor/chapter/generation.py与相关章节测试如 tests/test_jointer.py、tests/test_flow_items.py侧面验证——它们覆盖了文本片段与资产在段落流中的边界保持行为。四、升级与实践指引4.1 安装与升级项目使用 Poetry 管理依赖pyproject.tomlPython 版本要求3.11,3.14。1.x 版本的典型安装方式对应 v1.0.4 文档中的指引为pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu pip install pdf-craft1.0.5本地 OCR扫描件必需请确保doc-page-extractor升级到 v1.0.5 配套的修复版本若使用云端 OCRDeepSeek OCR / Unlimited 等厂商模式见 pdf_craft/pdf/ocr.py 的is_vendor判断则不涉及本地显存可跳过 CPU/GPU 版 PyTorch 的安装。4.2 目录检测相关参数速查参数位置默认值说明toc_assumedExtractionOptionspdf_craft/craft.pyEPUBTrue/ MarkdownFalse是否尝试从 PDF 中检测并剔除印刷目录页toc_llmExtractionOptionsNone提供 LLM 时用于分析目录/标题层级失败自动回退统计方法_TOC_SCORE_MIN_RATIOpdf_craft/extractor/toc/toc_pages.py3.0目录页最高分与内容页最高分的最小比值低于该值判定为不可信_TOC_HEAD_RATIO同上0.18目录页页码必须位于文档前 18%约前 17%_MAX_TOC_RATIO/_MIN_TOC_LIMIT同上0.1/3目录页数上限的上下限约束4.3 验证方式单元测试tests/test_toc_extraction.py 可独立运行验证目录开关行为tests/test_toc_text.py、tests/test_toc_llm_analyser.py 覆盖标题规范化与层级分析。冒烟测试资产tests/smoke/下的 JSON 配置与 tests/assets/pdf/ 中的样例 PDF含citation.pdf、index.pdf等多目录/多版式样本可用于回归。五、总结v1.0.5 是 pdf-craft 1.x 版本线上承上启下的质量补丁通过升级doc-page-extractor重构模型加载顺序缓解了 12GB 显存显卡上的 OOM 问题通过前 18% 页码 连续页码序列 _TOC_SCORE_MIN_RATIO分数下限三重约束让统计式目录检测从高分即目录进化为高分且符合人类阅读习惯才判定显著降低误检与重复目录问题并顺带修复了跨页内容覆盖缺陷。理解这些机制有助于你在使用 pdf-craft 处理扫描版图书时针对显存、目录误检等实际问题做出正确的参数调优与升级决策。赞分享AI 应用OCR【免费下载链接】pdf-craftPDF craft can convert PDF files into various other formats. This project will focus on processing PDF files of scanned books.项目地址https://gitcode.com/gh_mirrors/pd/pdf-craft点击查看免费下载相关推荐基于检索的语音转换技术实战RVC框架深度解析与应用指南基于检索的语音转换技术实战RVC框架深度解析与应用指南 在人工智能语音合成领域基于检索的语音转换技术正以其独特的技术优势和应用价值脱颖而出。Retrieva人工智能AI 应用语音音频深度学习Prisma 项目中的 graphql-request 实战指南最小化 GraphQL 客户端的安装、用法与源码佐证Prisma 项目中的 graphql request 实战指南最小化 GraphQL 客户端的安装、用法与源码佐证 本指南围绕 Prisma 官方文档中 gAI 应用OCREmDash 内容编辑器保存冲突防护修复发布操作覆盖他人更新版本的问题EmDash 内容编辑器保存冲突防护修复发布操作覆盖他人更新版本的问题 导读 在多作者协作编辑同一篇内容的场景下编辑者基于旧版本写作、他人已抢先保存新版本CMS后端前端插件系统上一篇突破AI绘画质量瓶颈StyleGAN2量化评估的终极指南下一篇企业级DevOps新范式Distrobox多环境隔离与标准化部署指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 pdf-craft v1.0.5 更新解读：GPU 显存优化、目录页检测加固与内容覆盖修复
AI 应用OCR【免费下载链接】pdf-craftPDF craft can convert PDF files into various other formats. This project will focus on processing PDF files of scanned books.项目地址https://gitcode.com/gh_mirrors/pd/pdf-craft点击查看免费下载pdf-craft 是一个专注于扫描版图书 PDF 处理、可将其转换为 EPUB / Markdown 等格式的开源项目pyproject.toml。本文以 v1.0.5 版本更新日志docs/changelog/v1.0.5.md为主体逐项拆解该版本的三类核心改动——GPU 显存溢出修复、目录TOC检测精度提升、内容覆盖content override问题修复并结合仓库源码pdf_craft/extractor/toc/toc_pages.py、pdf_craft/pdf/ocr.py 等说明其底层实现机制。读完本文你将理解 v1.0.5 之前扫描版图书转换链路中的显存瓶颈从何而来、目录页误检的统计学根源以及新引入的_TOC_SCORE_MIN_RATIO阈值如何工作同时掌握升级后如何使用toc_assumed等参数控制行为。v1.0.5 改动总览类别问题修复方式关联 PR / IssueBug FixGPU 显存溢出OOM升级doc-page-extractor依赖优化模型加载顺序PR #309修复 Issue #305Bug Fix目录页检测不准限定目录页索引为文档前 17% 内的连续序列并引入_TOC_SCORE_MIN_RATIO分数下限PR #311、PR #313Bug Fix内容被覆盖content override修复内容处理逻辑PR #312Full Changelog覆盖了 v1.0.4 至 v1.0.5 的全部提交docs/changelog/v1.0.5.md末尾记录。当前仓库版本线已演进至 2.4.0见 pyproject.toml 的version字段v1.0.5 属于早期 1.x 版本线的重要质量修复节点其修复思路在后续版本中持续沿用。一、GPU 显存溢出修复模型加载顺序与显存峰值控制1.1 问题背景v1.0.4 及更早版本中在 RTX 306012GB VRAM这类中端消费级显卡上对扫描版图书执行本地 OCR 时经常出现CUDA out of memory错误Issue #305。扫描版 PDF 的每一页都要渲染成高分辨率图像后送入视觉模型进行版面分析与文字识别模型参数、图像张量、中间激活共同叠加显存峰值很容易超出 12GB 的物理上限。1.2 修复方式升级 doc-page-extractor 并优化加载顺序修复本身不在 pdf-craft 主仓库而是通过升级核心 OCR 引擎依赖doc-page-extractor完成的PR #309。模型参数的预加载与逐页推理被重新编排将最耗显存的模型初始化阶段提前并串行化避免多个大型模型同时驻留显存。从当前仓库的依赖约束可以看到这条治理路径的延续pyproject.toml 中doc-page-extractor1.2.1,2.0.0且可选依赖local [doc-page-extractor[local]1.2.1,2.0.0]注释明确说明将上游本地运行时作为一个整体依赖声明使其内部的 transformer / CUDA 相关需求由 doc-page-extractor 自己负责避免在 pdf-craft 侧重复声明引发版本漂移。在 pdf_craft/pdf/ocr.py 中OCR类将模型生命周期收敛为两个显式入口predownload(revision)→self._extractor.download_models(revision)提前把模型权重下载到本地缓存load_models()→self._extractor.load_models()负责把模型加载进显存。这种先下载、后加载、加载完成即进入逐页推理的分离设计正是对模型加载顺序优化的落地权重就位之后再统一加载避免推理过程中边加载边推理造成的显存抖动。1.3 显存治理的配套机制源码佐证即使显存溢出修复后OCR.recognize仍保留了多项降低显存/内存压力的配套能力pdf_craft/pdf/ocr.pydpi参数默认 300 DPI 渲染扫描页ref.render(dpidpi if dpi is not None else 300)调低 DPI 可显著减小送入模型的图像尺寸从而降低张量显存占用该参数在 v1.0.6 中正式对外开放docs/changelog/v1.0.6.md。max_page_image_file_size超过上限时自动降低渲染分辨率防止单页图像过大。device_number显式指定 CUDA 设备编号便于在多卡环境下手动分流。对于UnlimitedOCRVendorConfig等云端厂商 OCRrecognize_vendor会将超过 8192 像素的长边等比缩放到 8192 后再请求并记录scale_x/scale_y用于把返回的坐标还原到原始分辨率pdf_craft/pdf/ocr.py_PreparedVendorPage与_parse_vendor_response。升级建议如果你仍在 1.0.4 及更早版本并受 OOM 困扰优先升级doc-page-extractor至 v1.0.5 配套版本12GB 显存环境下建议配合dpi与max_page_image_file_size组合控制输入图像规模。二、目录页TOC检测精度提升前 17% 连续序列 分数下限目录检测是 pdf-craft 处理扫描版图书的关键能力v1.0.4 引入了基于 Aho-Corasick 子串匹配的统计式目录页定位见 docs/changelog/v1.0.4.mdv1.0.5 则针对其误检问题打了两处关键补丁。2.1 算法核心思路回顾find_toc_pagespdf_craft/extractor/toc/toc_pages.py利用一个朴素而有效的统计特征目录页中的文本会大规模与后续书页中的章节标题匹配。流程如下遍历所有页面的标题布局ref属于TITLE_TAGS的 layout将规范化后的标题注册进_SubstringMatcher内部为ahocorasick.Automatonpayload 记录(page_index, order)。对每一页正文做子串匹配统计每个标题在该页的出现次数单条匹配的分数 该页匹配次数 / 该子串在文档中出现的总次数分母惩罚了书籍标题反复出现在页眉页脚这类高熵标题。页面分数求和后降序排列用相邻分数最大落差max-diff切分出候选目录页集合。候选页按页码升序交给_human_like_toc_filter做类人类阅读习惯过滤。2.2 补丁一页码必须是前 17% 内的连续序列_human_like_toc_filter中新增了双重要求pdf_craft/extractor/toc/toc_pages.py_MAX_TOC_RATIO 0.1 # 目录页数上限max(_MIN_TOC_LIMIT, total_pages * 0.1) _TOC_HEAD_RATIO 0.18 # 目录页必须位于文档前 18%即前 17% 左右的实现 _TOC_SCORE_MIN_RATIO 3.0 # 经验估计以后再调整吧 _MIN_TOC_LIMIT 3 # 目录页数下限具体逻辑max_toc_page_index round(total_pages * _TOC_HEAD_RATIO)页码超过文档前 18% 的候选页直接剔除——真实的印刷目录必然出现在书的前部若统计分数最高的页面散落在全书各处说明匹配到的很可能是正文中的标题而非目录。目录页数上限max_toc_pages max(_MIN_TOC_LIMIT, int(total_pages * _MAX_TOC_RATIO))防止把整本书都判成目录。连续性检查从得分最高的候选页出发只保留page_index last_page_index 1的连续递增序列serial_refs一旦出现断层立即截断。这一改动直接对应 changelog 中的 ensuring page indexes are consecutive sequences——真实目录页在物理上必然是连续相邻的几页而误检的标题页通常是分散的。2.3 补丁二_TOC_SCORE_MIN_RATIO分数下限连续性过滤之后还有一道置信度闸门pdf_craft/extractor/toc/toc_pages.pymax_content_score 0.0 if cut_position len(page_refs): max_content_score page_refs[cut_position].score # 切分点之后的第一名 内容页最高分 # 被剔除但分数较高的非连续候选页也会抬高内容基线 for ref in toc_page_refs: if ref.page_index not in serial_page_indexes: max_content_score max(max_content_score, ref.score) max_toc_score serial_refs[0].score if max_toc_score _TOC_SCORE_MIN_RATIO * max_content_score: return [] # 说明目录页不足以与非目录页拉开差距不可贸然判断含义连续序列中最高分页的得分必须至少是内容页最高分的 3 倍否则判定候选页与普通正文页在统计上没有显著差异直接返回空列表宁可漏检、不可误检。_TOC_SCORE_MIN_RATIO 3.0是经验估计值源码注释为经验估计以后再调整吧属于可调参数后续若出现新的误报/漏报场景可以此常量为起点做调参实验。2.4 标题规范化的辅助作用匹配质量还依赖normalize_textpdf_craft/extractor/toc/text.py的预处理去除全部标点、拉丁字母转小写、NFD 拆解并丢弃重音符号Mn类、针对拉丁语把连字符换行截断的单词拼回、针对中韩等非拉丁语言删除字间空格。扫描件 OCR 噪声较大这一规范化步骤保证了目录文本与正文标题在字符串层面尽可能一致是统计匹配可行的前提。2.5 测试与参数入口测试用例 tests/test_toc_extraction.py 覆盖了toc_assumed开关对目录页剔除行为的影响toc_assumedFalse时find_toc_pages不会被调用find.assert_not_called()目录仅由章节标题层级生成toc_assumedTrue时检测出的目录页页码会写入TocInfo.page_indexes并在生成正文时被排除test_printed_toc_switch_only_controls_page_exclusion。顶层 API 中toc_assumed定义于ExtractionOptionspdf_craft/craft.py并被传入analyse_toc(..., toc_assumedoptions.toc_assumed, toc_llmoptions.toc_llm)。其语义与 v1.0.4 一致EPUB 默认True尽量从 PDF 中定位印刷目录以还原导航结构Markdown 默认False仅按标题层级生成目录。analyse_tocpdf_craft/extractor/toc/analysing.py中找到目录页后优先用 LLMtoc_llm分析层级失败则回退到统计方法analyse_toc_levels整个流程的结果会序列化为 XML 缓存到toc_path重复运行时直接命中缓存。三、内容覆盖Content Override问题修复v1.0.5 的第三项修复来自 PR #312针对内容处理阶段的覆盖override问题。结合 v1.0.4 的改进背景docs/changelog/v1.0.4.md该版本重构了跨页段落合并逻辑improved paragraph merging across page boundaries with better handling of override assets and line continuation——即当跨页段落携带覆盖资产如图片、公式时需要正确处理。v1.0.5 的 PR #312 正是对这类 override 场景中残留缺陷的收尾修复确保在生成章节内容时前一项如上一页的行内图片不会被后续项错误覆盖。说明PR #312 的改动未在主仓库中留下可直接引用的独立源码片段属于对上一版本段落合并重构的修正性补丁其效果可通过 v1.0.5 之后版本中章节流组装逻辑pdf_craft/extractor/chapter/generation.py与相关章节测试如 tests/test_jointer.py、tests/test_flow_items.py侧面验证——它们覆盖了文本片段与资产在段落流中的边界保持行为。四、升级与实践指引4.1 安装与升级项目使用 Poetry 管理依赖pyproject.tomlPython 版本要求3.11,3.14。1.x 版本的典型安装方式对应 v1.0.4 文档中的指引为pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu pip install pdf-craft1.0.5本地 OCR扫描件必需请确保doc-page-extractor升级到 v1.0.5 配套的修复版本若使用云端 OCRDeepSeek OCR / Unlimited 等厂商模式见 pdf_craft/pdf/ocr.py 的is_vendor判断则不涉及本地显存可跳过 CPU/GPU 版 PyTorch 的安装。4.2 目录检测相关参数速查参数位置默认值说明toc_assumedExtractionOptionspdf_craft/craft.pyEPUBTrue/ MarkdownFalse是否尝试从 PDF 中检测并剔除印刷目录页toc_llmExtractionOptionsNone提供 LLM 时用于分析目录/标题层级失败自动回退统计方法_TOC_SCORE_MIN_RATIOpdf_craft/extractor/toc/toc_pages.py3.0目录页最高分与内容页最高分的最小比值低于该值判定为不可信_TOC_HEAD_RATIO同上0.18目录页页码必须位于文档前 18%约前 17%_MAX_TOC_RATIO/_MIN_TOC_LIMIT同上0.1/3目录页数上限的上下限约束4.3 验证方式单元测试tests/test_toc_extraction.py 可独立运行验证目录开关行为tests/test_toc_text.py、tests/test_toc_llm_analyser.py 覆盖标题规范化与层级分析。冒烟测试资产tests/smoke/下的 JSON 配置与 tests/assets/pdf/ 中的样例 PDF含citation.pdf、index.pdf等多目录/多版式样本可用于回归。五、总结v1.0.5 是 pdf-craft 1.x 版本线上承上启下的质量补丁通过升级doc-page-extractor重构模型加载顺序缓解了 12GB 显存显卡上的 OOM 问题通过前 18% 页码 连续页码序列 _TOC_SCORE_MIN_RATIO分数下限三重约束让统计式目录检测从高分即目录进化为高分且符合人类阅读习惯才判定显著降低误检与重复目录问题并顺带修复了跨页内容覆盖缺陷。理解这些机制有助于你在使用 pdf-craft 处理扫描版图书时针对显存、目录误检等实际问题做出正确的参数调优与升级决策。赞分享AI 应用OCR【免费下载链接】pdf-craftPDF craft can convert PDF files into various other formats. This project will focus on processing PDF files of scanned books.项目地址https://gitcode.com/gh_mirrors/pd/pdf-craft点击查看免费下载相关推荐基于检索的语音转换技术实战RVC框架深度解析与应用指南基于检索的语音转换技术实战RVC框架深度解析与应用指南 在人工智能语音合成领域基于检索的语音转换技术正以其独特的技术优势和应用价值脱颖而出。Retrieva人工智能AI 应用语音音频深度学习Prisma 项目中的 graphql-request 实战指南最小化 GraphQL 客户端的安装、用法与源码佐证Prisma 项目中的 graphql request 实战指南最小化 GraphQL 客户端的安装、用法与源码佐证 本指南围绕 Prisma 官方文档中 gAI 应用OCREmDash 内容编辑器保存冲突防护修复发布操作覆盖他人更新版本的问题EmDash 内容编辑器保存冲突防护修复发布操作覆盖他人更新版本的问题 导读 在多作者协作编辑同一篇内容的场景下编辑者基于旧版本写作、他人已抢先保存新版本CMS后端前端插件系统上一篇突破AI绘画质量瓶颈StyleGAN2量化评估的终极指南下一篇企业级DevOps新范式Distrobox多环境隔离与标准化部署指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考