pdf2epub-paddle — スキャンPDFをEPUBに変換するPaddleOCRツール

Tool
pdf2epub-paddle — スキャンPDFをEPUBに変換するPaddleOCRツール

pdf2epub-paddle — スキャンPDFをEPUBに変換するPaddleOCRツール

本リポジトリは、スキャンされた書籍PDFを「読みやすいEPUB」に変換するためのツールです。BaiduのPaddleOCR Layout Analysis APIを利用してページレイアウトを解析し、段落・見出し・画像・表を識別、見出しに基づく自動章分割や画像の埋め込みによって原稿の体裁を保ちながら電子書籍を生成します。OCRによるテキスト抽出と後処理（正規表現による見出し検出や段落結合）を組み合わせ、スキャン本を手早くEPUB化するワークフローを提供します（約300字）。

https://github.com/jarodise/pdf2epub-paddle

概要

このプロジェクトは、スキャンPDF（画像化されたページ）を高品質なEPUBに変換することを目的としたPythonツールです。コアにはBaiduのPaddleOCR Layout Analysis APIを使い、ページ内のテキストブロックや画像、表、見出しを自動で検出します。検出した構造に基づいてテキストを整理し、見出し語句（例：“Chapter 1” や “第1章”）を基準に章分けを行い、元の画像中の図版はEPUB内に埋め込みます。READMEは英中二言語で用意され、サンプルや設定の説明が含まれています。GitHub

リポジトリの統計情報

  • スター数: 34
  • フォーク数: 3
  • ウォッチャー数: 34
  • コミット数: 4
  • ファイル数: 8
  • メインの言語: Python

主な特徴

  • PaddleOCRのLayout Analysisを利用した高精度なレイアウト解析
  • 見出しに基づく自動章分割（英語・多言語の見出しパターンに対応）
  • 画像の抽出・埋め込みにより原版の図版を保持
  • 正規表現等による後処理でOCR誤認識を補正し、読みやすいテキストに整形

技術的なポイント

本ツールの技術的中核は「レイアウト解析＋後処理ワークフロー」です。まずPDFページを画像化（外部ツールあるいはライブラリで行う想定）し、画像をPaddleOCRのLayout Analysis APIに送信してページ内の領域（段落、見出し、画像、表など）を識別します。APIは各ブロックのバウンディングボックスと種類情報を返すため、ツール側ではそれらを座標ベースでソートしてページ単位・連続ページ単位での段落再構築を行います。

次にOCRテキストの取得と正規化です。OCR結果には改行や空白、認識ミスが入るため、正規表現ベースの後処理（repo内のdebug_regex.pyがその役割を示唆）で見出しパターンを抽出し、章境界を決定します。章分割は「見出しテキストの語彙パターン」「フォント/位置情報の傾向（見出しは中央寄せや大きめの縦幅）」などを組み合わせて行うことが多く、本リポジトリも複数ルールの組み合わせで精度向上を図っています。

画像は元ページから切り出してEPUB内に保存・参照することで、図版や表の体裁を維持します。EPUB化の手順は、解析後のHTML（各章をHTMLセクション化）を生成し、画像をリンク、メタデータ（タイトル・著者・言語など）を埋め込み、最終的にOPF/NCX構造を整えてEPUBパッケージとしてまとめる流れが基本です。実装上はHTTP通信（API呼び出し）、画像処理（切り出し／リサイズ）、テキスト処理（正規表現・Unicode正規化）、およびEPUB生成処理が主要なモジュールになります。

注意点として、PaddleOCRの外部API利用に伴うレイテンシとプライバシー（クラウド送信）の考慮、スキャン品質に依存するOCR精度、表組の複雑さに対する扱いの難しさがあります。これらは設定や後処理ルールの調整、あるいはローカルPaddle推論環境の導入で改善可能です。リポジトリには英中のREADMEとlicenseがあり、実際の運用ではAPIキー管理や大容量PDFの分割処理、エラーハンドリングの拡充が求められます。

プロジェクトの構成

主要なファイルとディレクトリ：

  • .gitignore: file
  • LICENSE: file
  • README.md: file
  • README_zh.md: file
  • debug_regex.py: file

…他 3 ファイル

（注）ファイル数は合計8で、主要処理やユーティリティ、サンプルのスクリプトが含まれる想定です。詳細はリポジトリを直接参照してください。

まとめ

スキャンPDFをEPUB化するためのシンプルで実用的なツールセット。APIベースの高精度レイアウト解析を活かしたワークフローが魅力です。

リポジトリ情報：

READMEの抜粋：

Scanned PDF to Epub Converter

English | 中文

This tool converts scanned PDF books into clean, readable EPUB ebooks using the Baidu PaddleOCR Layout Analysis API.

Features

  • High-Quality Layout Analysis: Uses PaddleOCR to intelligently detect paragraphs, headers, images, and tables.
  • Smart Chapter Splitting: Automatically splits books into chapters based on headers (e.g., “Chapter 1”, “Part I”).
  • Image Embedding: Preserves images from the original…