share-budaozhe PDF → Markdown 批量转换
将目录下的 PDF 转为 Markdown 文件，输出到 md/ 目录（或用户指定目录）。
核心思路
PDF 分两类，处理方式截然不同：
- 数字版 PDF（内嵌文本层）：可秒级提取文本，几秒到 1 分钟即可转换整本。
- 扫描版 PDF（纯图片、无文本层）：必须 OCR 才能得到文字，速度慢（CPU 上每页数分钟）且需下载模型。本 skill 只做文本提取，扫描版会明确列出并跳过。
因此第一步永远是花几秒检测文本层，而不是直接上重型工具——这能避免把几秒能完成的事拖成几小时。
前置条件
- Python +
pypdfium2。先检查：python -c "import pypdfium2"；缺失则pip install pypdfium2。
执行步骤
1. 确认输入与输出
- 输入目录：工作目录，或用户指定的目录。
- 输出目录：默认
<输入目录>/md/，用户指定则用指定的。 - 列出所有
*.pdf，向用户汇报数量。
2. 运行提取脚本
执行随 skill 提供的 scripts/extract_text.py：
python <skill目录>/scripts/extract_text.py --input <目录> [--output <目录>]
脚本自动完成：检测每本 PDF 的文本层 → 数字版提取为 md → 扫描版跳过并列入报告。无需手动逐本处理。
3. 处理报告
脚本会输出报告，类似：
[转换] 某某书.pdf (445 页, 95 页无文本)...
[完成] 某某书.md (127 KB, 445 页)
[扫描版/跳过] 某某扫描书.pdf （349 页，349 页无文本，需 OCR）
- 对扫描版，向用户说明："该 PDF 无文本层，需 OCR 工具（如 marker）才能提取文字，本 skill 仅做文本提取、不包含 OCR。"
- 若用户明确要求转换扫描版，告知这超出本 skill 范围，可考虑其他 OCR 方案。
4. 验证
- 抽查 1-2 页输出，确认文本完整、无乱码、段落正常。
- 核对 md 文件页标记数与源 PDF 页数一致（脚本报告里已有，页面标记
<!-- page N -->数量应等于总页数）。
输出格式
- 文件命名：
<原PDF名>.md，编码 UTF-8。 - 结构：
# <书名>
<!-- page 1 -->
<第 1 页文本>
---
<!-- page 2 -->
<第 2 页文本>
- 无文本/图像页标注：
<!-- page N（无文本/图像页） -->。 - 取舍说明：快速提取保留原文与段落，但表格、代码块、公式的排版会被简化。若用户需要精确还原版式（复杂表格、代码结构），需用 OCR 型工具（如 marker），应明确告知这一权衡，让用户决定是否接受。
环境注意
- Windows 控制台默认 GBK 编码，打印含特殊 Unicode 字符的文本会报
UnicodeEncodeError。脚本内已用sys.stdout.reconfigure(encoding="utf-8", errors="replace")处理；若另写代码也要注意。 - 写文件始终显式指定
encoding="utf-8"。