← ClaudeAtlas

pdf-lecture-notes-zhlisted

把中文 PDF 课件(大学课程讲义/幻灯片)提炼为结构化中文 Markdown 学习笔记,裁剪并嵌入完整图例。当用户提供课件 PDF 并要求提炼笔记、导出 Markdown、整理讲义、做章节笔记或嵌入图例时使用。
wonder37-debug/agent-skill-pdf-lecture-notes · ★ 1 · Data & Documents · score 78
Install: claude install-skill wonder37-debug/agent-skill-pdf-lecture-notes
# 中文 PDF 课件 → Markdown 学习笔记 把课程 PDF 课件转化为结构化、可直接复习的中文 Markdown 笔记;图例(流程图、结构图、示意图等)裁剪为完整图片,嵌入对应知识点下方。 ## 适用条件 | 条件 | 说明 | | --- | --- | | PDF 有文本层 | 文本提取依赖 `pdfplumber`;纯扫描件需先 OCR,不适用本流程 | | 图例由图形对象构成 | 位图(images)或矢量(curves/lines/rects)均可,两者裁剪路径不同,见第 3 步 | | 页面尺寸动态读取 | 常见 960×540、720×405、1280×720,用 `page.width/height` 读取,不要硬编码 | ## 环境准备 ```bash python3 -m venv .venv # Linux / macOS .venv/bin/pip install -r requirements.txt # Windows (PowerShell) # .venv\Scripts\pip install -r requirements.txt ``` 依赖共三个:`pdfplumber`(文本与图形对象坐标)、`pypdfium2`(整页渲染)、`Pillow`(裁剪与像素统计)。不需要 numpy,逐行/逐列像素统计用 PIL 的 `histogram()` 即可。 ## 工作流 ``` - [ ] 1. 提取文本 + 渲染页面 + 诊断固定角标 - [ ] 2. 挑选图例页 - [ ] 3. 裁剪图例(figures.json 驱动) - [ ] 4. 目视复核裁剪结果 - [ ] 5. 撰写 Markdown 笔记 - [ ] 6. 校验图片引用 - [ ] 7. 清理中间文件 ``` ### 第 1 步:提取文本 + 渲染页面 ```bash python scripts/extract_and_render.py 课件.pdf -o _tmp --scale 3 --diagnose-deco ``` 产出: - `_tmp/text_raw.txt`:每页文本 + `images/curves/rects/lines` 计数,计数高的页大概率含图例; - `_tmp/pages/pNN.png`:整页渲染图(scale=3,保证裁剪后仍清晰); - `--diagnose-deco`:找出"在多数页面相同坐标重复出现"的图形对象(页眉校名、页脚校徽这类固定角标),直接输出可粘进 `figures.json` 各项 `deco` 字段的 bbox 列表。 PPT 型课件通常有两个固定角标(页眉 + 页脚),诊断结果要全部填入 `deco`;漏填会使 auto 模式的裁剪边界一路扩到页边。 PPT 类课件的文本抽取顺序常常错乱(标题与正文穿插),需结合渲染图判断真实版面。 ### 第 2 步:挑选图例页 只截真图。以下情况不截: - 纯文字页(包括带项目符号的要点罗列); - 与正文文字完全重复的内容; - 目录页、章节分隔页、参考文献页(除非含图)。 值得截的:流程图、结构图、语法树、状态机��时序图、架构图、示意图、带标注的代码对比图、表格化的映射关系图。 同一张图在多页重复出现时只截一次;同一页有多个独立图例时分开裁剪保存,不要合并成一张。 ### 第 3 步:裁剪图例 核心原则:**宁可截大,不可截破**。裁剪过紧导致标题、箭头、边框、图注被切掉,是最