这几年买纸质书越来越少了，一方面是家里实在装不下了， 另一方面是z-library项目已经涵盖来绝大部部分的书籍，电子版可以轻松获取。并且阅读电子版的书籍有个好处，就是可以直接使用BookXNote直接做读书笔记，并且还能利用我写的《BookXNoteSync开发.README|BookXNoteSync》 直接导入到Obsidian中来， 具体参考我的文章BookXNote Sync插件：同步BookXNote笔记到Obsidian中

起因

最近正在拜读周洛华教授的《金融的哲学》，可能是经院学者的共性，他们都不喜欢上架Epub版本的电子书，只从网上找到了扫描版本的PDF书籍。

但是这本书太精彩了，我忍不住做了很多笔记，尴尬的来了，扫描版本的书籍做笔记非常非常别扭。

身为一个合格的程序员，就想毕竟现在的OCR技术这么成熟了，为什么不把扫描版本的书籍转换成文字版本呢？

探索

说干就干！ 首先是OCR技术，这是一个很古老的技术了，如果采用最原始的OCR方案，我们需要先切割文件，把文字区域标记出来，然后我们再使用OCR识别文字，然后再进行排版。

光是想到的工作量，就大的吓人。

这时候我突然想起，之前好像看过一个项目，是采用4o的大模型技术来识别PDF，进行OCR的识别的，所以在github上搜索一番，终于让我找到了。

MinerU

MinerU是一款将PDF转化为机器可读格式的工具（如markdown、json），可以很方便地抽取为任意格式。 MinerU诞生于书生-浦语[1]的预训练过程中，我们将会集中精力解决科技文献中的符号转化问题，希望在大模型时代为科技发展做出贡献。 相比国内外知名商用产品MinerU还很年轻。

在开源的软件中，一句话总结就是优秀，并且实际使用过程中，发现准确率出奇的高，并且转换成markdown格式。

但是想从markdown格式转换成epub格式还需要两步

把markdown格式转换成html格式把html格式转换成epub格式markdown格式转换成html格式可以采用大名鼎鼎的pandoc工具，这个工具可以支持公式，确定是要命令行执行，好像python也有pandoc的库，没有再进一步研究，有研究过的小伙伴可以一起聊聊。可以采用markdown库， 直接加载markdown文件，转写成html格式。HTML转换成epub格式

直接使用python库 EBookLib，虽然很方便，但是有很多小坑。

插图-程序员.jpeg

执行安装 MinerU首先新建一个python环境，一个找一个空间大一点的，因为MinerU的模型占用大约是在6~8G左右。安装MinerU，具体过程参考MinerU的使用说明，也可以到我的GitHub中直接下载库。命令行转换PDF为Markdown，整个过程非常简单，但是OCR的速度会比较慢，一个页面大约3秒左右，如果有哪些几百页的书籍，得好好等一下了。magic-pdf -p "C:\Users\jerri\Downloads\财富自由之路.pdf" -o ./ -m auto转换markdown到epub

核心代码如下

# 转换markdwon到htmldef md_to_html(md_content): # 转换为 HTML html_content = markdown.markdown(md_content, extensions=["mdx_math"], extension_configs={ "mdx_math": { "enable_dollar_delimiter": True, } }) # # 保存为 HTML 文件 # html_file = md_file.replace('.md', '.html') return html_content# 转换html到epubdef html_to_epub_chapter(title, html_content): # print(html_content) chapter = epub.EpubHtml(title=title, lang="cn", file_name=title+'.xhtml') chapter.content = html_content return chapter

详细代码到我的代码库中查看，已经开源[2]

结语

就这么简单的几步，就可以把一个ocr文章转换成epub格式了，不得不感慨，这两年人工智能的飞快进展。

还有会一门计算机语言，绝对在效率上杠杠滴。有兴趣还是建议大家多自己撸一下代码锻炼下自己的编码能力。

另外：

本文只涉及经验分享，请大家遵循法律，不要侵犯作者版权。

参考资料

[1]

书生-浦语: https://github.com/InternLM/InternLM

[2]

开源: https://github.com/CodeListening/pdf2epub