Scanned PDF To Epub

PDF → EPUB（扫描书转换工作流）

何时使用

• 输入是一本 PDF 书籍，内页全是扫描图片、没有文字层（用 PyMuPDF 提取不出文本，或全是空白）。
• 目标产物是一本干净、带完整导航目录、目录可点击跳转的 EPUB。
• 中间产物可以是 Markdown。
• 本 skill 面向通用流程：任何页数的纯文字中文书籍，不针对某一本书特化。

本 skill 不适用于：有文字层的数字原生 PDF（直接用提取工具即可）；漫画书（图为主，本流程去除插图）。

核心原则：职责边界

模型约定：识图子代理必须使用 Sonnet 模型；不要使用外部 API。主代理校对由当前会话模型完成。

不要为识图或校对环节编写脚本——那部分是 Agent 的灵活任务，脚本只覆盖五个确定性命令：extract、check-markers、merge-batches、md-to-epub、verify。

工作流总览

1. extract (CLI)        PDF → 每页一张图 page_0001.png...
2. 子代理识图 (Agent)    每子代理一批 → batch_001.md（纯文本行 + 锚点）
3. 批次标记检查 (CLI)    check-markers 检查各 batch 标记 → 有误重跑、无误通过
4. 批次合并 (CLI)        merge-batches 按序合并 → draft.md
5. 草稿标记复查 (CLI)    check-markers 复查 draft.md 标记
6. 主代理校对 (Agent)    修正错别字（不改原文）→ 锚点转 h 标题 → book.md
7. md-to-epub (CLI)     book.md → 按 h 标题切分章节 → 生成导航目录 → book.epub
8. verify (CLI)          校验 EPUB 结构、目录跳转、无残留

依赖

• Python 3.10+，pymupdf（渲染 PDF 页为图，import fitz 或 import pymupdf）
• pandoc（Markdown → EPUB，含导航目录）。安装顺序：
  1. 系统 CLI pandoc（winget install JohnMacFarlane.Pandoc / brew install pandoc）
  2. 或 pip install pypandoc-binary（捆绑 pandoc 二进制，无需单独安装）
  3. 兜底：pip install ebooklib（纯 Python 打包，目录同样生成）
• 脚本自动探测上述任一可用路径。

启动前先检查：python scripts/extract.py --check 会报告缺哪些依赖。

工作目录布局

在临时目录内新建一个项目文件夹 book/，全部产物放其中：

book/
├── pages/            # 1. 拆页图片 page_0001.png...
├── raws/             # 2. 子代理识图输出 batch_001.md...
├── draft.md          # 3-5. 批次合并 + 标记检查后的草稿（仍含 PAGE/CH/__ 标记）
├── book.md           # 6. 校对优化后的全文（干净层级化 Markdown）
└── book.epub         # 7. 最终产物

1. extract：拆页渲染（CLI）

python scripts/extract.py <input.pdf> -o book/pages [--dpi 300]

• 每页渲染为一张 PNG，文件名按原书页码顺序 page_0001.png、page_0002.png……（从 1 起连续编号，忽略 PDF 内部无关页面偏移）。
• 默认 300 DPI，足以支撑中文小字识别；输出时打印总页数，供调度子代理参考。
• 结束后核对 pages/ 图片数量 == PDF 页数。

2. 子代理识图（Sonnet 子代理）：逐页转纯文本行 + 锚点

分派规则

• 模型：本阶段识图一律使用 Sonnet 模型子代理（Sonnet 具备本环境识图能力），严禁使用外部 API 或其他模型；主代理校对由当前会话模型完成。
• 每个子代理负责连续 10 张图片：子代理 #1 负责 page_0001–page_0010，#2 负责 page_0011–page_0020……批次严格按页码顺序分派。
• 批次边界：第 k 个子代理负责 page_{(k-1)*10+1:04d} ～ page_{k*10:04d}；最后一批不足 10 页则只处理实际存在的页。
• 并发由主代理自行决定：一次可同时调度多个子代理，各自负责不同批次，批次间不重叠、顺序不乱。并发数与批次划分由主代理按页数规模、成本与运行环境权衡，不设固定上限。
• 每子代理一个文件：子代理把自己负责的整批页内容写入同一个文件 batch_{k:03d}.md（命名规范见 references/subagent_prompt.md），文件内**每页（含空白页、无正文页）**均以 <!-- PAGE XXXX --> 注释定位（空页只写标记不写内容）。失败重跑以批次为单位。

子代理提示词模板（引用 references/subagent_prompt.md）

调度每个子代理时，直接使用 references/subagent_prompt.md 中的提示词模板：把 {N}、{起始页}、{结束页}、{批次序号}、{pages_dir}、{raws_dir} 替换为实际值后作为子代理任务传入（识别必须用 Sonnet 模型）。该文件是提示词的唯一正式来源，本小节不再内嵌模板正文。 调度子代理时，仅可替换模板中 {占位符} 标记的内容，模板其余部分必须原样保留，禁止增删或修改。

子代理严格输出约束（要点）

子代理的唯一输出规范以 references/subagent_prompt.md 的提示词模板为准，要点归纳如下；完整条款见模板与下方「锚点规范」「内容保留 / 去除规则」：

• 输出纯文本行：原文一个自然段 = Markdown 一行，段落间空行；不使用列表、表格、代码块等结构标记。
• 跨页段落：一个自然段被分页截断时，上一页行尾与下一页行首各写 __ 连接标记（两部分间不放空行），校对时合并为一段。
• 禁止：任何解释、说明、思考过程、结论、"这是第 X 页"之类元评论；禁止页眉页脚文字；禁止对图片的描述性旁白。
• 每子代理一个文件 batch_{k:03d}.md：严格按 page_XXXX.png 文件名的数字顺序逐页读取，整批页内容顺序写入同一文件；每页（含空页）以 <!-- PAGE XXXX --> 定位（XXXX 严格等于该图片文件名的页码：读 page_0005.png 写 <!-- PAGE 0005 -->）。
• 遇到章节标题时，插入层级前缀式锚点（见下），正文段落里不重复标题文字；层级如实反映原书结构，不主观合并或拆分。
• 保留：前言、后记（标题用锚点标注层级）、各章节章号/大标题、正文段落；原书目录页照常识别。
• 去除：页眉、页脚、插图、二维码/条形码/水印等无关标识。
• 遇到疑似版权页（整页版权声明模式：ISBN / 版权年份 / 出版信息 / 印次号）时，整页内容以单个锚点 <!-- COPYRIGHT_CANDIDATE --> 起始，交由主代理终审。
• 完成后汇报：顺利则只返回一句话说明已写入的文件名；遇阻断或不确定点（图片无法读取、内容严重残缺、规则无法判断）如实反馈主代理，不自行臆断、跳过或编造内容。

锚点规范（层级前缀式）

每遇到一个标题，插入一行注释，CH 后的数字表示层级：

<!-- CH1: 第二部 江湖 -->

<!-- CH2: 第1章 初入师门 -->

<!-- CH3: 第一节 拜师 -->

• CH1 = 全书最高级标题：有部/卷则部/卷为 CH1、章为 CH2、节为 CH3；无部/卷的书，章直接为 CH1（保证顶级章节转成 h1，pandoc 才能按章切分，否则全书挤成单一文件）。
• 标题文本只出现在锚点中，正文段落不重复标题。
• 锚点为独立注释行，前后以空行与正文隔开；锚点之间是正文（段落，一个自然段 = 一行）。
• 规则：遇到一个新标题就按其层级插入对应锚点；层级如实反映原书结构，不要主观合并或拆分。

内容保留 / 去除规则

3. 批次标记检查：check-markers（CLI）

全部批次子代理完成后，用脚本逐个检查 raws/ 下的 batch_XXX.md：

python scripts/check_markers.py book/raws/*.md

脚本输出每个文件的标记清单与问题：

• PAGE：列出全部页码；检查顺序递增、无缺号、无重复。
• CH：列出全部 <!-- CHn: 标题 --> 及行号；检查层级是否跳级（作警告）。
• __：列出全部行尾/行首 __ 及行号；检查跨页切口是否成对。

判定：无问题 → 通过；有问题（PAGE 缺失/乱序、__ 不成对）→ 单独重派该批次子代理，重跑后复检，直至通过；不重跑全书。若同一批次多次失败，可临时缩小该批次页数（如拆为 5 页）再试，或暂停交由用户处理。

4. 批次合并：merge-batches（CLI）

python scripts/merge_batches.py book/raws -o book/draft.md

按批次序号顺序合并所有 batch_XXX.md 为 draft.md：保留各批内的 PAGE/CH/__ 标记（供校对定位、跨批次 __ 切口衔接）；合并时校验批次序号连续（1..K 无缺）。合并后规范化行距：任意两个相邻非空行之间恰好 1 个空行（跨页 __ 切口连接的行除外，保持切口两部分紧密相连），无连续空行堆积、无缺失空行。

5. 草稿标记复查：check-markers（CLI）

python scripts/check_markers.py book/draft.md

合并后对整本草稿复查一次标记：全书画页码连续（无跨批次缺页）、__ 切口在批次边界正确成对、CH 层级全本连续。复查通过后再进入校对。

6. 主代理校对：错别字修正 + 转标题（Agent）

这是 Agent 的灵活任务，不写脚本。基于 draft.md 执行：

1. 分块通读：按批次分批通读 draft.md，每块在上下文内完整读完。页数多也不爆上下文。主要修正识别出来的错别字，不改变原文、不增删句子。
2. 标记转换：
   • 删除 <!-- PAGE XXXX --> 页定位注释——空白页/无意义页仅含该注释，删除后自然无痕。
   • 去掉跨页行尾/行首的 __ 连接标记并把两部分合成为一段。
   • 将 <!-- CH1 --> / CH2 / CH3 / CH4 分别转为 # / ## / ### / #### Markdown 标题（以此类推）；删除已无用的锚点注释与 COPYRIGHT_CANDIDATE 标记。
3. 目录页处理：原书目录页仅用于核对章节标题与层级，核对完毕后从正文中移除。
4. 版权页终审：逐个确认 COPYRIGHT_CANDIDATE 标记的页——确为版权声明则删除；误标（如书名页、献辞页）则保留为正文。
5. 最终检查：全文无空锚点、无连续空行堆积、无未清除的页眉页脚特征、无 <!-- PAGE 残留、无 __ 残留；h 标题层级连续无跳级。此时产出 book.md，是干净的层级化 Markdown，h1=全书最高级标题（有部/卷则为部/卷，无则为章），h2、h3 依层级递减。

7. md-to-epub：分章与打包（CLI）

python scripts/md_to_epub.py book/book.md -o book/book.epub \
  --title "书名" --author "作者" --lang zh [--cover book/pages/page_0001.png]

脚本行为：

• 切分：以 h1 为顶级章节切分正文；h2/h3 作为子级保留在章节内。
• 导航目录：生成 EPUB 导航（NCX 与 nav.xhtml），目录条目与正文 h1/h2 标题一一对应（h3 及以下为章内层级，不进目录），支持点击跳转。
• 封面（可选）：--cover <图片> 指定封面图（PNG/JPG）。实际流程通常用拆页得到的 page_0001.png（原书封面页），也可由用户提供其他图片；pandoc 路径用 --epub-cover-image，ebooklib 路径用 EpubImage 设 cover-image 属性，两条路径均生成封面。
• 打包：优先调用 pandoc（Markdown → EPUB）；若 pandoc 缺失，回退用 ebooklib 手工组包（目录同样生成）。两种路径都保证阅读顺序与原书一致、已去除的内容不出现。
• 输出 book.epub。

8. verify：校验（CLI）

python scripts/verify.py book/book.epub

脚本检查并完整打印校验报告到终端：

• EPUB 结构合法：content.opf / manifest / spine 完整一致。
• 导航目录存在，且每条目录条目在正文中都有对应标题（条目数 ≈ 正文 h1/h2 标题数；封面等非正文页除外）。
• 目录锚点目标可解析（点击可跳转）。
• 正文字段抽查：无 <!-- CH 锚点注释残留、无 COPYRIGHT_CANDIDATE、无 <!-- PAGE 页定位注释残留、无 __ 连接标记残留。

校验失败时脚本给出具体条目，修复后重跑 md-to-epub 与 verify 直至通过。

常见问题

• 某批次识别失败 / 子代理超时：用 check-markers 检查确认问题，单独重跑该批次子代理（batch_XXX），不重跑全书。
• 正文出现公式/表格（罕见）：本 skill 面向纯文字书籍（如小说），子代理不使用结构标记；若某页含公式表格等非常规内容，如实转录为文字段落，主代理校对时人工核对。
• 某本书需要保留插图：偏离通用默认，需用户单独确认，并放弃"去除插图"规则。