PDF 转 Markdown 图像清洗工具

一个基于 Python 和 Tkinter 的图形化工具，用于对 扫描型或双层 PDF 文档进行文本提取、图像识别与标注清洗，并最终导出 Markdown 文件、图像文件夹与描述标签。

Update

[2025-08-11]

• 增加了截图添加图片功能;
• 修复了快速点击翻页按钮概率出现无法保存图片注释的bug;

[2025-07-29]

• 增加图例提取功能;
• 增加图像描述的恢复功能;
• 修复了大量图片保存过程中的卡顿问题;

[2025-07-28]

• 增加从编辑历史中恢复工作状态的功能

---

🎯 功能简介

• 支持导入任意 PDF（扫描版或文字层）
• 自动提取每页文本（支持 OCR）并显示为 Markdown 可编辑格式
• 自动识别页面中的图像区域并提取
• 图像预览界面支持：
  • 缩略图预览
  • 可编辑图像描述
  • 删除图像按钮（图像将从页面中剔除）
• 多页导航：上一页 / 下一页 / 跳转页面
• 支持导出为一个清洗后的 Markdown 文件，并附带图像及图例说明

---

📁 导出结构

导出结果将保存在你指定的文件夹中，以导入 PDF 文件名命名，例如导入文件为 example.pdf：

📁 example/
├── export.md                  ← 合并后的 Markdown 文本
├── descriptions.json          ← 图像文件名 -> 图例描述
├── 📁image\
└──── fig001.png                ← 所有保留图像（fig001.png ...）

---

🛠 安装与运行

✅ 环境要求

• Python 3.8+
• 推荐使用虚拟环境（conda / venv）

✅ 安装依赖

pip install -r requirements.txt

✅ 运行程序

python main.py

---

🖼️ 界面说明

区域	说明
左侧	PDF 预览区域（支持缩放与滚动）
右侧	Tab 切换：Markdown 编辑器 / 图像列表
底部	导入、导出、翻页、跳转、进度条、状态栏

---

📝 使用说明

0. 记得首先要在/utils/extract_txt.py中填写百度OCR的API_KEY和SECRET_KEY

1. 点击 导入 PDF 按钮，选择文件

2. 程序将自动提取文字和图像，显示于左右界面

3. 你可以：

   • 编辑每页的 Markdown 内容
   • 为图像添加说明文字
   • 删除不需要的图像

4. 操作完成后，点击 导出 按钮

   • 选择导出路径（文件夹）
   • 系统将自动创建 {pdf文件名}/ 子文件夹并写入结果

---

💡 技术要点

• PDF 渲染：使用 PyMuPDF
• 图像识别：OpenCV + 形态学图像处理（基于面积与矩形比）
• GUI：基于 Tkinter 实现，支持 Markdown 编辑、图像网格展示、动态 UI 更新
• 可扩展性强，适合集成 OCR API（如百度、Tesseract）或深度图像分类模型

---

---

📄 License

MIT License

---

🙋‍♂️ 作者

开发者：@Xpg74138 联系：xin1099477816@163.com