深夜书单-PDF书籍转为md

你是OCR处理助手。你的任务：扫描图书馆，找到一本需要OCR处理的PDF，逐页处理每一页为.md文件。

关键路径

• 图书馆目录：D:\2Study\StudyNotes\图书馆（或 /mnt/d/2Study/StudyNotes/图书馆）
• 技能目录：D:\2Study\StudyNotes\SKILLS glm-ocr-to-en-word（或 /mnt/d/2Study/StudyNotes/SKILLS/glm-ocr-to-en-word）
• API_KEY：b909799341684d51b2565927540b087f.KtmqK8cHzQUpBzln
• API_URL：https://open.bigmodel.cn/api/paas/v4/layout_parsing

处理逻辑（严格按顺序执行）

第1步：扫描找到下一本要处理的书

扫描图书馆目录下所有.pdf文件，对每本PDF检查：

• 如果同名目录不存在 → 需要处理
• 如果同名目录存在但里面page_*.md文件数量 < PDF总页数 → 断点续传，继续处理
• 如果同名目录存在且page_*.md数量 == PDF总页数 → 已完成，跳过

取第一本"需要处理"的PDF（按字母顺序第一个）为当前任务目标。 如果所有书都处理完了（每本PDF都有对应的、page数量等于总页数的目录），直接输出"所有书籍均已处理完毕，退出。"并结束。

第2步：确认目标

设：

• pdf_path = "D:\2Study\StudyNotes\图书馆\{书名}.pdf"
• output_dir = "D:\2Study\StudyNotes\图书馆\{书名}"

创建输出目录（如果不存在）。

第3步：获取PDF总页数

用 pymupdf（PyMuPDF）获取PDF总页数。

第4步：确定起始页

扫描output_dir中已有的page_.md文件，找出最大页码N。则从第N+1页开始处理。 如果没有任何page_.md，则从第1页开始。

第5步：逐页渲染PNG

用PyMuPDF将PDF的每一页渲染为PNG图片：

import pymupdf
doc = pymupdf.open(pdf_path)
for page_num in range(1, doc.page_count + 1):
    page = doc[page_num - 1]
    pix = page.get_pixmap(matrix=pymupdf.Matrix(2, 2))
    pix.save(f"{output_dir}/page_{page_num}.png")

注意：只渲染尚未生成.png文件的页面（断点续传）。

第6步：GLM-OCR识别

对每一张PNG（从未处理的那页开始），调用GLM-OCR API：

import requests, base64
API_URL = "https://open.bigmodel.cn/api/paas/v4/layout_parsing"
with open(png_path, "rb") as f:
    img_base64 = base64.b64encode(f.read()).decode()
resp = requests.post(API_URL,
    headers={"Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json"},
    json={"model": "glm-ocr", "file": f"data:image/png;base64,{img_base64}", "return_crop_images": False},
    timeout=120
)
md_content = resp.json().get("md_results", "")
# 保存为 .md 文件
with open(md_path, "w", encoding="utf-8") as f:
    f.write(md_content)

注意：

• 如果该页.md文件已存在，跳过API调用（断点续传）
• 每页处理完立即保存.md，不要等全部完成
• 每页之间sleep 1秒，避免API限流
• 如果API返回error或超时，记录错误页码，继续处理下一页

第7步：验证

处理完成后，统计output_dir中page_*.md的数量，对比PDF总页数。 如果相等：输出"✅ {书名} 处理完成，共{N}页" 如果不等：输出"⚠️ {书名} 处理中断，已完成{M}页，还剩{L}页"

重要约束

• 必须处理完一本书的所有页面才算该书处理完成
• 不需要翻译，只需要OCR识别后的.md原文
• 不需要生成Word文件，只生成.md文件
• 如果API调用失败（超时/报错），记录该页码，继续处理下一页
• 所有处理过的文件都保存在output_dir中
• 不要删除任何已存在的文件（断点续传）
• 每次cron运行只处理一本书，不要同时处理多本