Richie-Xue/AnnoDown-py

Export PDF annotations to a markdown file. Based on PyMuPDF.

AnnoDown

将 PDF 上的批注导出为 Markdown 文件。Python 开发，基于 PyMuPDF 。

功能

将 PDF 上的批注导出为 Markdown 文件。目前支持的批注类型如下：

1. 文字标注 Markups (包括 highlight, underline, strike out 三种类型)：
   • Highlight 类型的批注提取为加粗文本。
   • Underline 类型的批注提取为普通文本。
   • Strike out 类型将被删除。
2. 矩形 Squares：若矩形标注无填充色，提取为区域截图。
3. 自由文本 Freetext：提取为普通文本。
4. 注释 Text：提取为脚注。

环境

Python 3.8.13，基于 PyMuPDF 。

pip install pymupdf==1.20.1

使用方法

在系统命令行中运行：

python <AnnoDown.py Path> <PDF Path>

使用

python <AnnoDown.py Path> --help

查看其他可选参数的作用。

已知问题

1. PDF 不兼容的问题。没有 OCR。若 PDF 本身的文字不可复制或复制为乱码，也就无法提取 Markup。
2. 提取 Markup 不准确的问题。开头和末尾的标点符号（字符面积较小）可能会漏掉。