multi-format-book-extractor
/multi-format-book-extractor
Wyciąga rozdziały z książek PDF, MOBI i AZW3 do osobnych plików Markdown: PDF przez pymupdf z podziałem wg spisu treści i OCR Gemini dla skanów, MOBI i AZW3 przez calibre.
- Autor
- Abilityai ↗
- Repozytorium
- cornelius ↗
- Licencja
- MIT
- Ostatnia zmiana repozytorium
- 08.10.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 3
- Skrypty
- 2
- Komentarze HTML
- 1
- Adresy URL w SKILL.md
- 1
Brak sygnałów. Repozytorium zmienione 08.10.2026, bez odwołań do wycofanych modeli i API.
MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.
- 2 skrypty w paczce. Przejrzyj je przed instalacją, bo Claude może je uruchomić.
- SKILL.md zawiera komentarze HTML (1). Nie widać ich w podglądzie Markdown, a model je czyta.
Skrypty: extract_book.py, ocr_pdf.py
Co robi i kiedy
Wyciąga rozdziały z książek PDF, MOBI i AZW3 do osobnych plików Markdown: PDF przez pymupdf z podziałem wg spisu treści i OCR Gemini dla skanów, MOBI i AZW3 przez calibre.
Oryginalny opis (EN)
Extract chapters from PDF, MOBI, and AZW3 book files into individual markdown files. Use when extracting non-EPUB books. PDF uses pymupdf with TOC-based chapter splitting and auto-OCR fallback (Gemini) for scanned/image-only PDFs; MOBI/AZW3 routes through calibre then epub-chapter-extractor.
Jak działa
- Dependencies
- Single Book
- Scanned / Image-Only PDFs (auto-OCR)
- Batch Extraction (Parallel)
- Output Format
- After Extraction
Podgląd SKILL.md
---
name: multi-format-book-extractor
description: Extract chapters from PDF, MOBI, and AZW3 book files into individual markdown files. Use when extracting non-EPUB books. PDF uses pymupdf with TOC-based chapter splitting and auto-OCR fallback (Gemini) for scanned/image-only PDFs; MOBI/AZW3 routes through calibre then epub-chapter-extractor.
allowed-tools: [Bash]
user-invocable: true
---
# Multi-Format Book Extractor
Extract chapters from PDF, MOBI, and AZW3 files into individual numbered markdown files.
Mirrors the epub-chapter-extractor pattern for non-EPUB formats.
## Dependencies
- **PDF**: `pymupdf` — auto-installed via `--with pymupdf`
- **Scanned PDF OCR fallback**: `requests` (`--with requests`) + a Gemini key in
`$GEMINI_API_KEY` / `$GOOGLE_API_KEY` (read from `cornelius/.env` if unset)
- **MOBI / AZW3**: [calibre](https://calibre-ebook.com/download) must be installed
```bash
brew install --cask calibre
```
## Single Book
```bash
cd $PROJECT_ROOT/.claude/skills/multi-format-book-extractor && \
uv run --with pymupdf --with requests python extract_book.py "/path/to/book.pdf" [output_dir]
```
If `output_dir` is omitted, creates a folder named after the file in the same directory.
## Scanned / Image-Only PDFs (auto-OCR)
Some PDFs are pure page scans with **no text layer** — `pymupdf` extracts nothing
and would silently write empty files. `extract_book.py` now samples the text layer
first (`_has_text_layer`) and, when a PDF looks image-only, automatically routes it
to **Gemini 2.5 Flash OCR** (`ocr_pdf.py`).
- Renders each page to PNG (~180 DPI), batches pages per API call, transcribes
verbatim to Markdown (preserves verse line breaks, Sanskrit/Tibetan diacritics,
footnotes), and writes `NN_pages-S-E.md` chunk files.
- **Resumable**: re-running skips chunk files already written (≥200 chars), so an
interrupted long book picks up where it left off.
- Cost is ~$0.002/page on Flash (a 300-page book ≈ $0.60).
Run OCR directly (e.g. to tune params or force it):
```bash
cd $PROJECT_ROOT/.claude/skills/multi-format-book-extractor && \
uv run --with pymupdf --with requests python ocr_pdf.py "/path/to/scan.pdf" [output_dir] \
[--model gemini-2.5-flash] [--dpi 180] [--pages-per-call 5] [--pages-per-file 20] [--concurrency 6]
```
## Batch Extraction (Parallel)
Extract all PDFs, MOBIs, and AZW3s from a directory in parallel:
```bash
SKILL="$PROJECT_ROOT/.claude/skills/multi-format-book-extractor"
UVX="uv"
DIR="/path/to/books"
for book in "$DIR"/*.{pdf,mobi,azw3}; do
[ -f "$book" ] || continue
stem="${book%.*}"
[ -d "$stem" ] && echo "Skipping: $(basename "$book") (already extracted)" && continue
echo "Starting: $(basename "$book")"
(cd "$SKILL" && $UVX run --with pymupdf --with requests python extract_book.py "$book") &
done
wait
echo "All done"
```
## Output Format
Each book gets a subfolder named after the file (without extension):
```
book-name/
├── 01_introduction.md
├── 02_chapter-one.md
└── ...
```
- **PDF with TOC**: one file per chapter (uses level-1 TOC; falls through to level-2 if < 5 top-level entries, e.g. books structured as Parts)
- **PDF without TOC**: 20-page chunks (`01_pages-1-20.md`, etc.)
- **Scanned / image-only PDF**: auto-routed to Gemini OCR → 20-page chunks (`01_pages-1-20.md`) with `<!-- page N -->` markers
- **MOBI / AZW3**: same output quality as epub-chapter-extractor (converts via calibre first)
## After Extraction
```bash
open /path/to/books/
```
Pliki w paczce (3)
- SKILL.md 3 KB
- extract_book.py 9 KB
- ocr_pdf.py 9 KB
Wersje
W bazie nie ma innych skilli o nazwie multi-format-book-extractor.
Migawka bazy z 13.11.2026 · wersja paczki ff84c27f6b00 (skrót SHA-256 całej paczki)
Pobrania w ostatnich 30 dniach: 0 · ranking
Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.
Podobne skille
- 100pdf2epub
Buduje z książki w PDF z warstwą tekstową plik EPUB z okładką, spisem treści, rozdziałami, ilustracjami i przypisami końcowymi, na czytniki. - 100read-book
Czyta książkę (PDF, EPUB, MOBI, markdown, tekst lub URL) fragmentami i wydobywa notatki z rozdziałów: TL;DR, kluczowe pojęcia, cytaty, działania i ramy, z opcją zapisu do second-brain. - 100pdf-to-markdown
Zamienia PDF, EPUB, DOCX i PPT w czysty Markdown z OCR skanów, doborem narzędzia, wznawianiem i czyszczeniem wyniku. - 100pdf-extractor
Wyciąga tekst i dane z dokumentów PDF, konwertuje PDF do tekstu lub Markdown, robi OCR i obsługuje pojedyncze pliki oraz przetwarzanie wsadowe. - 100pdf-extract
Wyciąga szybko i deterministycznie tekst z PDF-ów z warstwą tekstową przez pymupdf, bez skanów. - 100book-to-skill
Zamienia książki i dokumenty (PDF, EPUB, DOCX, HTML, Markdown, tekst, RTF, MOBI) w skille agenta, wydobywając frameworki, modele mentalne, zasady, techniki i antywzorce do wielokrotnego użytku.