BookerPdfTool

iBooker/DracoUnion 知识库 PDF 处理工具

一套面向电子书 / 扫描版 PDF 的命令行工具，提供压缩、抽取图片、转 HTML、黑白反转纠正、S-Spline 缩放增强、打包成 PDF、PDF 去重、加密压缩包破解、PDG 转图片、Office 转 PDF 等能力。

安装

通过 pip（推荐）：

pip install BookerPdfTool

从源码安装：

pip install git+https://github.com/DracoUnion/BookerPdfTool.git

Python 版本要求：>= 3.6。

安装后可通过 BookerPdfTool 或 pdf-tool 两个命令调用（两者等价），也可以使用 python -m BookerPdfTool。

可选依赖

• auto 命令自动处理时会调用外部的 imgyaso 二值化工具（需将其加入系统 PATH）。
• fm-office 命令仅在 Windows 上可用（基于 Office COM 组件）。
• crack-zip 破解 RAR 需要 unrar 后端程序（随附的 assets/unrar.exe 已内置）。

使用说明

BookerPdfTool -h    # 查看帮助
BookerPdfTool -v    # 查看版本

帮助中也列出了全部子命令和参数。

fm-office：Office 转 PDF

将 DOC/XLS/PPT 转换为 PDF（Windows）。

BookerPdfTool fm-office <fname>

参数	说明
fname	文件或目录名

支持 doc/docx/xls/xlsx/ppt/pptx；传入目录时批量转换目录下的所有文件。

comp：压缩 PDF

对 PDF 内嵌图片做压缩处理后写回，并清理无用数据。

BookerPdfTool comp <fname>

参数	说明
fname	PDF 文件名

ext：抽取 PDF 图片

将 PDF 每一页的内嵌图片抽出来保存为 PNG（或整页截图，需 -w）。

BookerPdfTool ext <fname> [-d 输出目录] [-w]

参数	说明
fname	文件或目录名
-d, --dir	输出目录，默认当前目录
-w, --whole	整页截图，不抽取内嵌图片

ocr：PDF OCR 转 Markdown

使用视觉模型识别扫描版 PDF，并生成可处理的 Markdown 文本。需要配置 OpenAI 兼容 API：

set OPENAI_API_KEY=你的 API Key
BookerPdfTool ocr <fname> [-vm 视觉模型] [-H API 地址]

也可以通过 -k/--key、-m/--model、-vm/--vmodel、-H/--host、-r/--retry、-tm/--temp、-st/--stream 等通用参数配置请求。常用 OCR 参数：

参数	说明
fname	PDF 文件或目录名
--dpi	渲染 DPI，默认 150
--trans	翻译识别结果
--clean	清理标题
--split	划分章节
-sl, --split-limit	章节分块上限，默认 3000
-so, --split-overlap	章节分块重叠，默认 50
-md, --mkdir	为输出创建独立目录
-ft, --file-threads	文件线程数，默认 1
-pt, --page-threads	页面线程数，默认 8
-l, --limit	分组文本上限，默认 8000
-D, --debug	调试模式
-tt, --text-thres	文本页判断阈值，默认 20
-it, --img-thres	图片覆盖率阈值，默认 0.8
-fo, --force-ocr	强制使用 OCR

OCR 过程会在输入文件附近缓存中间结果；视觉识别需要配置支持图片输入的模型。

2html：PDF 转 HTML

将 PDF 每页渲染为 HTML，并识别行内代码 / 代码块 / 标题、处理缩进。

BookerPdfTool 2html <fname> [-d 输出目录]

参数	说明
fname	文件或目录名
-d, --dir	输出目录，默认当前目录

auto-scale：S-Spline 缩放增强图片

用 S-Spline 三次 B 样条采样对图片做缩放增强，适合扫描版图片提升清晰度。会按图片短边宽度自动选择合适的缩放倍数：短边越小放大倍数越大。

BookerPdfTool auto-scale <fname> [-t 线程数]

参数	说明
fname	文件或目录名
-t, --threads	线程数，默认 8

自动缩放倍数（按短边宽度）：<800 放大 4 倍，<900 放大 3.5 倍，<1000 放大 3 倍，<1200 放大 2.5 倍，<1600 放大 2 倍，<2000 放大 1.5 倍，<3200 放大 1 倍，<4200 缩小为 0.75，否则缩小为 0.5。

sspline：图片 S-Spline 缩放

对单张图片做 S-Spline 三次 B 样条采样缩放，可指定目标宽高或缩放倍数。

BookerPdfTool sspline <input> [-o 输出] [-iw 宽] [-ih 高] [-x 倍数]

参数	说明
input	输入图片
-o, --output	输出图片，默认覆盖输入文件
-iw, --width	目标宽度（像素）
-ih, --height	目标高度（像素）
-x, --multiple	缩放倍数，默认 2

需指定目标宽高（-iw 与 -ih 同时给出）或缩放倍数（-x）之一。

pack：图片打包成 PDF

把指定目录下的图片按顺序打包为 PDF；配合正则可以把按关键词命名的一组图片分别打包。

BookerPdfTool pack <dir> [-r 正则] [--jb2]

参数	说明
dir	图片所在目录
-r, --regex	按文件名匹配关键词分组，每组生成一个 PDF
--jb2	生成 JBIG2 编码的 PDF，体积更小

tog-bw：黑白反转纠正

自动检测反色的黑白扫描图（平均灰度低于阈值的图片）并反转，纠正「黑底白字」。

BookerPdfTool tog-bw <fname> [-t 线程数] [-s 阈值]

参数	说明
fname	文件或目录名
-t, --threads	线程数，默认 8
-s, --thres	平均灰度低于该值才视为反色并反转，默认 50

crack-zip：破解加密压缩包

对加密的 ZIP / RAR 压缩包进行字典爆破，成功后解压到同名目录。

BookerPdfTool crack-zip <fname> [-p 密码字典] [-t 线程数]

参数	说明
fname	ZIP / RAR 文件名
-p, --pw	密码字典文件，默认使用随附的 assets/PwdDic.txt
-t, --threads	线程数，默认 8

auto：一键全自动处理 PDF

一条命令完成整套流程：ext 抽图 → tog-bw 黑白纠正 → auto-scale 缩放 → imgyaso 二值化 → pack 打包回 PDF。

BookerPdfTool auto <fname> [-t 线程数] [-w]

参数	说明
fname	PDF 文件或目录名
-t, --threads	线程数，默认 8
-w, --whole	抽取整页截图

原文件会备份为 xxx.pdf.bak。需要将 imgyaso 二值化工具加入系统 PATH（见「可选依赖」）。

pdg2pic：PDG 转图片

按封面、卷首、正文等前缀排序，把 PDG 文件复制为顺序编号的 PNG。

BookerPdfTool pdg2pic <dir> [-o 输出目录]

参数	说明
dir	PDG 文件所在目录
-o, --output-dir	输出目录，默认与输入目录相同

dedup：PDF 去重

基于文本 n-gram 哈希的相似度判断，把重复的 PDF 移到 dup 目录，并把历史向量保存到数据库文件，供后续批次比对。

BookerPdfTool dedup <fname> [-t 相似度阈值] [--db 历史库文件]

参数	说明
fname	PDF 文件或目录名
-t, --thres	相似度阈值，高于该值判定重复，默认 0.9
--db	保存历史向量的 .npy 文件，默认 临时目录/dedup.npy

协议

本项目基于 SATA 协议发布。

您有义务为此开源项目点赞，并考虑额外给予作者适当的奖励。

赞助我们

另见

• ApacheCN 学习资源
• 计算机电子书
• 布客新知