feat(ptm): 添加 PDF 转 Markdown 转换工具

- 实现 PDF 文本提取功能，支持将 PDF 文件转换为 Markdown 格式 - 添加命令行参数解析，支持输入文件、输出路径和剪贴板复制选项 - 集成剪贴板操作功能，可直接复制转换结果到系统剪贴板 - 实现基础 Markdown 格式转换逻辑，保留段落结构并清理多余空行 - 创建完整的 Cargo 项目配置，包含必要的依赖库和文档说明
2026-05-11 17:31:10 +08:00
parent cb5d7d0768
commit 9dc72c1ac0
3 changed files with 301 additions and 0 deletions
@@ -0,0 +1,10 @@
+[package]
+name = "ptm"
+version = "0.1.0"
+edition = "2021"
+
+[dependencies]
+clap = { version = "4.6", features = ["derive"] }
+pdf-extract = "0.7"
+clipboard-win = "5.4"
+thiserror = "2.0"
@@ -0,0 +1,168 @@
+# ptm - PDF to Markdown Converter
+
+一个简单易用的命令行 PDF 转 Markdown 工具。
+
+## ✨ 功能特性
+
+- 📄 **PDF 文本提取**: 从 PDF 文件中提取纯文本内容
+- 📝 **Markdown 转换**: 将提取的文本转换为 Markdown 格式
+- 💾 **灵活输出**: 支持原地生成或指定输出路径
+- 📋 **剪贴板支持**: 可直接复制生成的 Markdown 到剪贴板
+
+## 📦 安装
+
+### 从源码编译
+
+```bash
+cd ptm
+cargo build --release
+```
+
+### 全局安装
+
+```bash
+cargo install --path . --force
+```
+
+安装后可直接使用 `ptm` 命令。
+
+## 🚀 使用方法
+
+**基本格式:**
+```bash
+ptm <PDF文件> [选项]
+```
+
+### 命令示例
+
+#### 1. 基本用法（原地生成）
+
+```bash
+# 将 test.pdf 转换为 test.md（同一目录）
+ptm test.pdf
+```
+
+#### 2. 指定输出路径
+
+```bash
+# 输出到指定位置
+ptm test.pdf -o output/result.md
+
+# 使用完整路径
+ptm document.pdf -o C:\Users\macro\Documents\notes.md
+```
+
+#### 3. 复制到剪贴板
+
+```bash
+# 转换并复制到剪贴板
+ptm test.pdf -v
+
+# 指定输出并复制
+ptm test.pdf -o result.md -v
+```
+
+### 参数说明
+
+| 参数 | 说明 | 示例 |
+|------|------|------|
+| `<INPUT>` | PDF 文件路径（必需） | `test.pdf` |
+| `-o, --output` | 输出文件路径（可选，默认与输入同名） | `-o result.md` |
+| `-v, --verbose` | 复制内容到剪贴板 | `-v` |
+| `-h, --help` | 显示帮助信息 | `-h` |
+| `-V, --version` | 显示版本信息 | `-V` |
+
+## 💡 使用场景
+
+### 场景 1: 快速转换 PDF
+
+```bash
+ptm report.pdf
+# 生成 report.md
+```
+
+### 场景 2: 批量处理
+
+```powershell
+# PowerShell 批量转换
+Get-ChildItem *.pdf | ForEach-Object {
+    ptm $_.FullName
+}
+```
+
+### 场景 3: 转换后直接粘贴
+
+```bash
+ptm article.pdf -v
+# 现在可以直接在编辑器中 Ctrl+V 粘贴
+```
+
+### 场景 4: 自定义输出位置
+
+```bash
+ptm book.pdf -o notes/book-chapter1.md
+```
+
+## 📊 工作原理
+
+1. **读取 PDF**: 使用 `pdf-extract` 库解析 PDF 文件
+2. **提取文本**: 提取 PDF 中的所有文本内容
+3. **格式转换**: 
+   - 清理多余空行
+   - 保留段落结构
+   - 转换为纯文本 Markdown
+4. **写入文件**: 保存为 `.md` 文件
+5. **可选复制**: 如指定 `-v`,复制到剪贴板
+
+## ⚠️ 注意事项
+
+1. **文本型 PDF**: 仅支持包含文本层的 PDF，扫描版 PDF 需要 OCR 处理
+2. **格式限制**: 当前版本主要提取纯文本，复杂格式（表格、图片）可能需要手动调整
+3. **编码支持**: 支持 UTF-8 编码，包括中文等多语言内容
+4. **文件大小**: 大文件可能需要较长时间处理
+
+## 🔧 技术细节
+
+### 依赖库
+
+- **pdf-extract**: PDF 文本提取库
+- **clap**: 命令行参数解析
+- **clipboard-win**: Windows 剪贴板操作
+- **thiserror**: 错误处理
+
+### 转换逻辑
+
+当前的 Markdown 转换采用简化策略：
+- 保留原始段落结构
+- 合并连续空行为单个空行
+- 去除每行首尾空白
+- 不尝试识别标题层级（需要更复杂的字体分析）
+
+## 🎯 未来改进方向
+
+- [ ] 智能识别标题层级（基于字体大小）
+- [ ] 支持列表和表格转换
+- [ ] 支持图片提取
+- [ ] 更好的段落检测
+- [ ] 支持 OCR 处理扫描版 PDF
+- [ ] 批量处理模式
+- [ ] 支持更多输出格式（HTML, TXT 等）
+
+## 🤝 贡献
+
+欢迎提交 Issue 和 Pull Request！
+
+## 📄 许可证
+
+本项目采用 MIT 许可证。
+
+## 🙏 致谢
+
+感谢以下开源项目：
+- [pdf-extract](https://github.com/pdf-extract/pdf-extract-rs) - PDF 文本提取库
+- [clap](https://github.com/clap-rs/clap) - 命令行参数解析库
+- [clipboard-win](https://github.com/DoumanAsh/clipboard-win) - Windows 剪贴板库
+
+---
+
+**Made with ❤️ using Rust**
@@ -0,0 +1,123 @@
+use clap::Parser;
+use std::path::PathBuf;
+use std::fs;
+use thiserror::Error;
+
+#[derive(Error, Debug)]
+enum PtmError {
+    #[error("PDF 解析错误: {0}")]
+    PdfExtract(String),
+    
+    #[error("文件 IO 错误: {0}")]
+    Io(#[from] std::io::Error),
+    
+    #[error("剪贴板操作失败: {0}")]
+    Clipboard(String),
+}
+
+type Result<T> = std::result::Result<T, PtmError>;
+
+/// PDF to Markdown converter
+#[derive(Parser, Debug)]
+#[command(name = "ptm", version, about = "PDF 转 Markdown 工具")]
+struct Args {
+    /// PDF 文件路径
+    input: PathBuf,
+    
+    /// 输出文件路径（默认与输入文件同名，扩展名为 .md）
+    #[arg(short, long)]
+    output: Option<PathBuf>,
+    
+    /// 复制生成的 Markdown 内容到剪贴板
+    #[arg(short, long)]
+    verbose: bool,
+}
+
+fn main() {
+    let args = Args::parse();
+    
+    if let Err(e) = run(args) {
+        eprintln!("❌ 错误: {}", e);
+        std::process::exit(1);
+    }
+}
+
+fn run(args: Args) -> Result<()> {
+    // 1. 验证输入文件存在
+    if !args.input.exists() {
+        return Err(PtmError::Io(std::io::Error::new(
+            std::io::ErrorKind::NotFound,
+            format!("文件不存在: {}", args.input.display()),
+        )));
+    }
+    
+    println!("📄 正在处理: {}", args.input.display());
+    
+    // 2. 提取 PDF 文本
+    let output_doc = pdf_extract::extract_text(&args.input)
+        .map_err(|e| PtmError::PdfExtract(e.to_string()))?;
+    
+    // 3. 转换为简单的 Markdown 格式
+    let markdown = convert_to_markdown(&output_doc);
+    
+    // 4. 确定输出路径
+    let output_path = match args.output {
+        Some(path) => path,
+        None => {
+            let mut path = args.input.clone();
+            path.set_extension("md");
+            path
+        }
+    };
+    
+    // 5. 写入文件
+    fs::write(&output_path, &markdown)?;
+    println!("✅ 已生成: {}", output_path.display());
+    
+    // 6. 如果需要，复制到剪贴板
+    if args.verbose {
+        copy_to_clipboard(&markdown)?;
+        println!("📋 已复制到剪贴板");
+    }
+    
+    Ok(())
+}
+
+/// 将 PDF 提取的文本转换为 Markdown 格式
+fn convert_to_markdown(text: &str) -> String {
+    // 简单的转换逻辑：
+    // 1. 保留段落结构
+    // 2. 清理多余的空行
+    // 3. 尝试识别标题（基于字体大小等元数据不可用时，只能做简单处理）
+    
+    let lines: Vec<&str> = text.lines().collect();
+    let mut result = String::new();
+    let mut prev_empty = false;
+    
+    for line in lines {
+        let trimmed = line.trim();
+        
+        if trimmed.is_empty() {
+            if !prev_empty {
+                result.push('\n');
+                prev_empty = true;
+            }
+        } else {
+            result.push_str(trimmed);
+            result.push('\n');
+            prev_empty = false;
+        }
+    }
+    
+    result
+}
+
+/// 复制文本到剪贴板
+fn copy_to_clipboard(text: &str) -> Result<()> {
+    use clipboard_win::{formats, set_clipboard};
+    
+    set_clipboard(formats::Unicode, text)
+        .map_err(|e| PtmError::Clipboard(format!("剪贴板操作失败: {:?}", e)))?;
+    
+    Ok(())
+}