Przejdź do treści
Biblioteka skilli
Dokumenty i biuro · Konwersja i formaty

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.

Repozytorium
cornelius ↗
Licencja
MIT
Ostatnia zmiana repozytorium
08.10.2026

Ocena i bezpieczeństwo

100/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
3
Skrypty
2
Komentarze HTML
1
Adresy URL w SKILL.md
1
Przestarzałość

Brak sygnałów. Repozytorium zmienione 08.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co sprawdzić przed instalacją
  • 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

  1. Dependencies
  2. Single Book
  3. Scanned / Image-Only PDFs (auto-OCR)
  4. Batch Extraction (Parallel)
  5. Output Format
  6. After Extraction
Sekcje z nagłówków SKILL.md, w oryginale · 89 linii, 412 słów
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.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.