PDF Learning Workflow

扫描版PDF书籍 → OCR识别 → 章节分割 → 学习优化笔记

📚 PDF 学习工作流

将扫描版 PDF 书籍转为学习优化笔记。支持中英文、公式、表格识别。

⛔ 前置检查

Credential Check

!test -f ~/.config/glm-ocr/api_key && echo "✅ GLM-OCR key configured" || echo "⚠️ NO GLM-OCR KEY — setup required"

If ⚠️ NO KEY: Guide user through setup before any API call:

1. 去 https://bigmodel.cn/ 注册并获取 GLM-OCR API Key
2. mkdir -p ~/.config/glm-ocr && echo "your-api-key" > ~/.config/glm-ocr/api_key

环境检查

• Python: python3（需安装 zai-sdk, pymupdf, Pillow）
• 依赖: zai-sdk, pymupdf, Pillow（首次运行自动安装）

---

工作流（按顺序执行）

阶段 1：PDF 拆页

bash

SKILL_DIR=$(dirname "${BASH_SOURCE[0]:-$0}")
WORK_DIR=~/projects/pdf-learning-workflow
PDF_PATH="$1"
BOOK_NAME=$(basename "$PDF_PATH" .pdf)

OUT_DIR="$WORK_DIR/output/$BOOK_NAME"
mkdir -p "$OUT_DIR/raw_chunks" "$OUT_DIR/learning" "$OUT_DIR/pages"

$SKILL_DIR/scripts/extract_pages.py "$PDF_PATH" "$OUT_DIR/pages"

阶段 2：OCR 识别（分批）

每 5 页一批调用 GLM-OCR。每页转为 base64 data URL 后调用 API。失败重试 1 次，跳过继续。

python

import os, base64, time
from zai import ZhipuAiClient
api_key = open(os.path.expanduser("~/.config/glm-ocr/api_key")).read().strip()
client = ZhipuAiClient(api_key=api_key)
with open(page_path, 'rb') as f:
    data_url = "data:image/png;base64," + base64.b64encode(f.read()).decode()
response = client.layout_parsing.create(model="glm-ocr", file=data_url)
markdown = response.md_results

保存为 raw_chunks/chunk_XXX.md，页码标题用 ## Page X。

阶段 3：合并全文

所有 chunk 按页码合并为 $OUT_DIR/$BOOK_NAME.md。

阶段 4：后处理

bash

$SKILL_DIR/scripts/postprocess.py "$OUT_DIR/$BOOK_NAME.md" --pages "$OUT_DIR/pages"

功能：

• 公式清洗： $ y = x $ → $y = x$，$$ E = mc^2 $$ → $$E = mc^2$$
• 代码块检测： 自动识别 C++/Fortran/python 代码，包裹 `````cpp` 围栏
• 图片裁剪： 根据 OCR ![](page=0,bbox=[...]) 标记，从对应页 PNG 裁剪图片到 assets/

阶段 5：生成导读

$OUT_DIR/${BOOK_NAME}-guide.md：全书概览 + 每章 2-3 句简介 + 阅读建议

阶段 6：章节分割

读取合并全文，识别标题层级，输出到 chapter_structure.md。

阶段 7：学习重构（全部章节）

对每一章生成 learning/chapter_XXX_标题.md。使用诱导式结构：

⚠️ Markdown 精确性要求（非常重要）：

• 公式 $...$ 和 $$...$$ 前后不能有空格，否则 KaTeX 不识别
• 表格必须用标准 Markdown 表格语法 | col1 | col2 |，不能混入 HTML <table> 标签
• 代码块用 `````cpp` 等围栏包裹，不要用缩进代替
• 列表保持一致的缩进层级
• 不要混用 HTML 标签和 Markdown 语法在同一段落

text

## 🎯 学习目标

## 💡 为什么要学

## 📖 核心内容（逐步引导）

## 📐 公式与定义（LaTeX: $E=mc^2$）

## ✍️ 例题与解析

## ⚠️ 常见误解

## 📝 本章小结

## 🧪 自测题

阶段 8：生成 HTML 版本

将每章 MD 转为带 KaTeX 渲染的 HTML：

bash

# 逐章转 HTML
for md in "$OUT_DIR/learning"/*.md; do
    $SKILL_DIR/scripts/md2html.py "$md"
done

# 生成导航页
$SKILL_DIR/scripts/gen_index.py "$OUT_DIR"

阶段 9：用户交互

• 章节分割后展示结构，确认后再继续
• 每章重构后询问是否继续下一章
• 允许调整学习风格（详细/简洁）

---

最终目录结构

text

output/<BookName>/
├── index.html                ← 📖 导航页（所有资源的入口）
├── <BookName>.md             ← 合并全文
├── <BookName>-guide.md       ← 导读
├── chapter_structure.md      ← 章节结构
├── assets/                   ← 裁剪图片 (fig_001.png...)
├── raw_chunks/               ← OCR 中间产物
└── learning/
    ├── chapter_001_标题.md    ← Markdown 源文件
    ├── chapter_001_标题.html  ← HTML 渲染版（含 KaTeX）
    └── ...

快速开始

text

用户: 把这本 PDF 转成学习笔记
你: 检查凭证 → 执行工作流 → 输出结果