一个使用 Gemini 2.5 Flash API 进行 OCR 的命令行工具，可将 PDF 文档转换为 Markdown 格式。
- 将 PDF 文档转换为图像
- 使用 Gemini 2.5 Flash OCR API 从图像中提取文本
- 将提取的文本转换为结构化的 Markdown
- 简单的命令行界面
- 现代化、交互式的 Web 用户界面，具有以下特点：
- 文件上传支持点击选择和拖拽操作。
- 上传和处理过程中的加载状态指示。
- 转换结果的 Markdown 实时预览。
- 一键复制 Markdown 内容到剪贴板。
- 将转换结果下载为
.md文件。 - 清晰的用户反馈和错误提示。
- Python 3.8+
- Gemini API 密钥
- Poppler（用于 pdf2image）
- 稳定的网络连接（Web UI 需要从 CDN 加载样式和脚本）
-
克隆此仓库
-
安装依赖项：
pip install -r requirements.txt -
安装 Poppler：
- macOS:
brew install poppler - Ubuntu/Debian:
apt-get install poppler-utils - Windows: 从 poppler releases 下载
- macOS:
-
在项目根目录创建
.env文件并添加您的 Gemini API 密钥：GEMINI_API_KEY=你的API密钥
python -m pdf2md.cli --input 输入文件.pdf --output 输出文件.md
--input：输入 PDF 文件的路径（必需）--output：输出 Markdown 文件的路径（可选，默认为输入文件名加 .md 扩展名）--dpi：图像转换的 DPI（可选，默认：300）--format：转换的图像格式（可选，默认：png）
本项目还包含一个基于 Web 的 PDF 转 Markdown 用户界面。
-
确保所有依赖都已安装：
pip install -r requirements.txt
(如果您尚未安装 Poppler 或设置 Gemini API 密钥，请参照上述主要安装说明进行操作。)
-
运行 Flask 应用：
python app.py
应用通常会在您的网络浏览器中的
http://127.0.0.1:5000/地址可用。 -
使用 Web UI：
- 在浏览器中打开该 URL。
- 通过点击美化的上传区域或直接将 PDF 文件拖拽到该区域来选择您的文件。
- 文件选择后，您会看到文件名显示。
- 点击“上传并转换”按钮。在文件上传和处理期间，按钮将显示加载动画和 "Processing..." 文本。
- 成功转换后，您将被引导至结果页面。
- 转换后的 Markdown 内容将以格式化预览的形式显示。
- 您可以使用“Copy”按钮将原始 Markdown 文本复制到剪贴板，或使用“Download .md File”按钮将其保存到本地。
- 如果在上传或处理过程中发生任何错误（例如，无效的文件类型，PDF 处理问题），将在上传页面顶部显示一条清晰的错误消息，您可以关闭该消息。
- 点击“Convert Another File”可以返回上传页面。
在非调试模式下运行时 (例如 python app.py 且未设置 FLASK_DEBUG=1)，应用程序的错误将被记录到项目根目录下的 app_errors.log 文件中。这有助于诊断生产环境中可能出现的问题。
- 基本的 PDF 到图像转换
- 使用 Gemini 2.5 Flash API 进行 OCR 处理
- 简单的 Markdown 格式化 (通过
MarkdownGenerator) - 命令行界面
- 现代化、交互式的 Web 用户界面 (已实现 v1)
- 基本的错误处理和用户反馈 (已改进)
- 高级 Markdown 渲染: 在 Web UI 中集成更完善的 Markdown 渲染，例如支持表格、任务列表，以及代码块的语法高亮 (可以考虑
@tailwindcss/typography插件配合本地 Tailwind 构建，或引入如 Prism.js/Highlight.js 的库)。 - 批量处理: 允许用户一次上传和转换多个 PDF 文件。
- 配置选项: 在 UI 中提供选项让用户调整 OCR 参数或 Markdown 输出格式。
- 性能优化: 针对非常大的 PDF 文件进行处理流程优化。
- 支持受密码保护的 PDF: (需要探索
PyPDF2或其他库处理加密 PDF 的能力，并安全地处理密码输入)。 - 本地 Tailwind CSS 构建: 解决本地 Node.js/npm 环境问题，以便能够使用完整的 Tailwind CSS 功能 (如自定义配置、
@apply优化、PurgeCSS) 并移除对 CDN 的依赖。 - 更细致的 OCR 结果处理: 分析 OCR 结果的结构，尝试生成更语义化的 Markdown (例如，识别标题层级、列表、粗体/斜体等)。