macro
9dc72c1ac0
- 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
169 lines
3.7 KiB
Markdown
169 lines
3.7 KiB
Markdown
# 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**
|