pdf-wzq · PDF 多模态教学知识库自动化构建
把 PDF（讲义/扫描教材/PPTX 转换件）自动转化为图文并茂的多模态教学知识库： 页级文本 + 公式 LaTeX + 图片集 + 图片 AI 理解 + 教材文案 + 图文绑定 JSON。 与 pptx-wzq、word-wzq 同构——指令、流程、产物协议完全一致。
四型自动适配（PageExtractor）
| 类型 | 判定 | 处理 |
|---|---|---|
| A 文本层 PDF | 前 3 页 get_text > 200 字符 | 文本层提取（坐标排序+页眉页脚剔除） |
| B 纯图/扫描 PDF | 全部无文本层 | 渲染 300DPI + OCR/整页视觉理解 |
| C PPTX 转 PDF | 有文本层 + 整页大图占比高 | 文本层+视觉双路融合（needs_review） |
| D 混合型 | 文本页+图像页并存 | 逐页分流合并 |
安装
pip install pdf-wzq
pip install "pdf-wzq[ocr]" # 扫描件中文 OCR（PaddleOCR，可选）
许可证：核心依赖 PyMuPDF 为 AGPL-3.0，与主许可 MIT 叠加请在商用/闭源前自行评估（备选 pypdfium2 Apache）。
快速开始
# 一条命令完整流水线（自动装依赖 / 引导 Key / 预估 Token / 确认）
pdf-paser 半导体器件讲义.pdf -o 讲义输出
# 结果目录：images/ + <名>_captions.md + <名>_textbook.md + <名>_binding.json
# 分步执行
pdf-text 讲义.pdf -o out --ocr-engine paddle # 纯图页 OCR
pdf-formula 讲义.pdf -o out
pdf-img 讲义.pdf -o out
pdf-caption out/images -o cap.md --texts out/texts.md --formulas out/formulas.md
pdf-author --texts out/texts.md --formulas out/formulas.md --captions cap.md -o textbook.md
pdf-bind out -o binding.json --textbook textbook.md --images-dir out/images
指令一览
| 命令 | 功能 | 模型 | Token |
|---|---|---|---|
pdf-text |
页级文本（坐标排序+页眉页脚+OCR 降级） | — | 0 |
pdf-formula |
公式区域定位+视觉/OCR 识别→LaTeX | qwen3.7-plus/pix2tex | 有/0 |
pdf-img |
页级图片提取+过滤+区域渲染 | — | 0 |
pdf-caption |
图片 AI 解读（文档上下文模式） | qwen3.7-plus | 有 |
pdf-author |
教材文案（学科推断+分批） | deepseek-v4-flash | 有 |
pdf-bind |
页级图文绑定 JSON | — | 0 |
pdf-paser |
整体编排（四型适配+Token 预估） | — | — |
作者
吴振谦 · wuzhenqian@nbu.edu.cn · QQ：38328063
1 maintainer
Download files
Download the file for your platform. If you're not sure which to choose, learn more about installing packages.
Source Distribution
pdf_wzq-1.0.0.tar.gz
(31.5 kB
view details)
Built Distribution
Filter files by name, interpreter, ABI, and platform.
If you're not sure about the file name format, learn more about wheel file names.
Copy a direct link to the current filters
pdf_wzq-1.0.0-py3-none-any.whl
(39.1 kB
view details)
File details
Details for the file pdf_wzq-1.0.0.tar.gz.
File metadata
- Download URL: pdf_wzq-1.0.0.tar.gz
- Upload date:
- Size: 31.5 kB
- Tags: Source
- Uploaded using Trusted Publishing? No
- Uploaded via:
twine/7.0.0 CPython/3.11.9
File hashes
| Algorithm | Hash digest | |
|---|---|---|
| SHA256 |
61cbcecc7a99af50a70eaed130b643486cd7431f9e47f5f019f0bb9aa320a73b
|
|
| MD5 |
6e6988a71726c76ef2ab38b7671a23ae
|
|
| BLAKE2b-256 |
7f5b9fcc86bf4d29190310b4552131884a4287bc25832b4b977cc42a9dfb2c9d
|
File details
Details for the file pdf_wzq-1.0.0-py3-none-any.whl.
File metadata
- Download URL: pdf_wzq-1.0.0-py3-none-any.whl
- Upload date:
- Size: 39.1 kB
- Tags: Python 3
- Uploaded using Trusted Publishing? No
- Uploaded via:
twine/7.0.0 CPython/3.11.9
File hashes
| Algorithm | Hash digest | |
|---|---|---|
| SHA256 |
d9c4726726306f8f38a2cb810d176c8e45ee7b78067fa8b170ab84b410ad9248
|
|
| MD5 |
59d52e6736db2d835174027cf6b6eb0f
|
|
| BLAKE2b-256 |
c36ac578179ff6d3e925a935a01c685e71a62b756b85f75a3a7124eecda3e86e
|
