PDF处理工具

一个功能强大的PDF处理工具，集成了PDF转图片、图片提取和AI文档解析功能，使用Streamlit构建用户界面。

🎯 功能特性

1. 📄➡️🖼️ PDF页面转JPG

• 将PDF每页转换为高质量JPG图片
• 可调节图片质量(DPI：72-300)
• 自动生成唯一文件名，避免冲突
• 支持批量下载ZIP文件

2. 🖼️📤 提取PDF中的图片

• 从PDF文档中提取所有嵌入的图片
• 按照 {pdf文件名}_page_{页码}_{图片序号}.{格式} 命名
• 支持多种图片格式（JPG、PNG、GIF等）
• 可选择统一转换为JPG格式

3. 📄➡️📝 PDF解析为HTML（新功能）

• 使用Qwen2.5-VL模型进行文档解析
• 生成QwenVL HTML格式，包含文档结构信息
• 按页面保存为 page_{页码}.html 格式
• 支持高质量文档识别和内容提取

📁 项目结构

pdf-agent-qwenvl/
├── app.py                          # Streamlit主应用
├── utils/
│   ├── __init__.py                # Python包初始化
│   ├── pdf_converter.py          # PDF转JPG工具
│   ├── image_extractor.py         # PDF图片提取工具
│   └── html_parser.py             # Qwen2.5-VL HTML解析工具
├── tmp/                           # 临时文件存储目录
│   ├── {pdf文件名}_converted_to_img/  # PDF转换的图片
│   ├── {pdf文件名}_figure/           # 提取的图片
│   └── {pdf文件名}_html/             # 解析的HTML文件
├── requirements.txt               # 项目依赖
└── README.md                     # 项目说明

🚀 安装与运行

1. 安装依赖

pip install -r requirements.txt

2. 配置API密钥（HTML解析功能需要）

# 设置ModelScope API密钥
export MODELSCOPE_SDK_TOKEN=your_api_key

# 或者设置阿里云DashScope API密钥
export DASHSCOPE_API_KEY=your_api_key

3. 启动应用

streamlit run app.py

📖 使用说明

PDF页面转JPG

1. 选择"📄➡️🖼️ PDF页面转JPG"功能
2. 在侧边栏调整图片质量设置
3. 上传PDF文件
4. 点击"开始转换"按钮
5. 预览和下载转换结果

提取PDF中的图片

1. 选择"🖼️📤 提取PDF中的图片"功能
2. 上传PDF文件，查看图片信息
3. 选择是否统一转换为JPG格式
4. 点击"开始提取图片"按钮
5. 下载提取的图片

PDF解析为HTML

1. 选择"📄➡️📝 PDF解析为HTML"功能
2. 确保已配置API密钥
3. 上传PDF文件
4. 点击"开始解析为HTML"按钮
5. 等待AI解析完成
6. 预览和下载HTML文件

🔧 技术栈

• Streamlit: Web应用框架
• PyMuPDF: PDF处理库
• Pillow: 图像处理库
• BeautifulSoup4: HTML解析库
• OpenAI: API客户端
• Qwen2.5-VL: 多模态AI模型

📝 文件命名规则

PDF转JPG

• 格式：{pdf文件名}_page_{页码}.jpg
• 示例：document_page_1.jpg, document_page_2.jpg

图片提取

• 格式：{pdf文件名}_page_{页码}_{图片序号}.{原格式}
• 示例：document_page_1_1.jpg, document_page_1_2.png

HTML解析

• 格式：page_{页码}.html
• 示例：page_1.html, page_2.html

⚠️ 注意事项

1. API密钥: HTML解析功能需要配置有效的API密钥
2. 网络连接: HTML解析功能需要稳定的网络连接
3. 文件大小: 建议上传的PDF文件大小不超过50MB
4. 图片质量: DPI设置越高，生成的图片质量越好，但文件也会越大

🔗 相关链接

• ModelScope
• Qwen2.5-VL模型
• PyMuPDF文档
• Streamlit文档