MuhtajinMukhtar/scan-book-to-digital-pdf

Escanear Libro a PDF Digital

La conversación debe ser sencilla

El usuario puede decir solo: "Tolong jadikan PDF buku ini buku digital yang nyaman dibaca, mengikuti https://github.com/MuhtajinMukhtar/scan-book-to-digital-pdf." Puede adjuntar un PDF. No es necesario que conozca términos como OCR, PP-StructureV3, SHA-256 o línea de comandos.

• Si no se adjunta ningún PDF, solicita el PDF.
• Por defecto, se usará una maquetación fiel al original, con una fuente similar a la del libro y sangría de párrafo según el original. Si es necesario, haz una pregunta amigable cada vez, en términos cotidianos: "¿Quieres una letra como la del libro original o un estilo moderno?", "¿Tamaño de letra igual que el original o más grande?", "¿Párrafos con sangría o alineados a la izquierda?". Ofrece "déjalo como el original". No hagas todas las preguntas si los valores por defecto son suficientes.
• Informa del progreso en lenguaje sencillo: páginas revisadas, páginas inciertas, PDF de revisión. Mantén los registros técnicos dentro de los archivos de trabajo, no en el chat del usuario.
• No obligues al usuario a elegir el motor de OCR manualmente. En una Mac compatible, usa ambos motores según se indica a continuación.

Protección del original y preferencias

Registra el número de páginas, el SHA-256 original, los metadatos del archivo y el destino de salida. Nunca sobrescribas el original ni una versión anterior aprobada. Por defecto, mantén la correspondencia exacta con las páginas originales, a menos que el usuario solicite expresamente una repaginación. Respeta las preferencias explícitas: tipo de letra serif (Georgia si está instalada y tiene licencia, o una serif abierta) o sans-serif; tamaño de letra estimado del original o especificado; sangría de primera línea según el original / sí / no. Conserva los encabezados, cursivas, fotos, diagramas, tablas, logotipos, citas, formularios, notas al pie y el orden de lectura del original. Nunca redistribuyas escaneos con derechos de autor ni archivos de fuentes.

Pipeline dual de OCR para Mac (obligatorio para la ejecución completa)

1. Configura un entorno Python aislado en Mac usando references/mac-setup.md. Verifica que Apple Vision y PaddleOCR PP-StructureV3 estén realmente instalados antes de procesar. No uses sistemas de producción ni cambios globales de paquetes.
2. Ejecuta python scripts/mac_hybrid_ocr.py BOOK.pdf --work-dir ./work. Esto ejecuta scripts/ocr_book.py primero con Apple Vision, luego con PP-StructureV3 en las mismas imágenes de página en caché, guarda el JSON y Markdown sin procesar de Paddle, y genera informes de comparación por página en work/fusion/.
3. Lee los datos sin procesar overall_ocr_res.rec_texts del JSON de Paddle, no solo su representación en Markdown. El prototipo exitoso recuperó siete líneas omitidas por el Markdown de Paddle en un piloto de cinco páginas; nunca asumas que el Markdown está completo. Revisa paddle_raw_not_in_markdown, paddle_not_in_apple, apple_not_in_paddle y las advertencias de variaciones ortográficas/de redacción. Todos son candidatos a revisión, no correcciones automáticamente aceptadas.
4. Confirma el texto faltante y los nombres en disputa comparándolos con la imagen de página original antes de aplicar una corrección. Compara ambos motores línea por línea; ningún motor es autoritativo por sí mismo. Mantén la incertidumbre en un registro de incidencias por página. No inventes texto basándote solo en el contexto.
5. Clasifica cada página y compón el texto digitalmente tipografiado a partir del orden de lectura verificado, con el tamaño, tipo de letra, sangría de párrafo y justificación elegidos. Utiliza las fotografías/ilustraciones originales recortadas. Consulta references/page-archetypes.md. Para una página que no se pueda reconstruir de forma segura, conserva la imagen original con una capa OCR seleccionable y marca explícitamente esa página como una alternativa de escaneo buscable.
6. Escribe una entrada de manifiesto para cada página original: página fuente/salida, tipo, motores de OCR, correcciones aceptadas, comprobaciones de imagen, estado digital o de escaneo buscable, excepciones y estado de revisión visual.
7. Usa scripts/pdf_audit.py para verificar la cobertura de palabras fuente, el mapeo de páginas, las fuentes incrustadas, la ausencia de páginas en blanco/recortadas e imágenes, y la comparación visual fuente/salida. Consulta references/qa-and-handoff.md. No ocultes fallos para aparentar éxito.
8. Entrega un PDF de revisión y un resumen conciso de las páginas pendientes. Marca como final solo después de que el usuario acepte el resultado editorial. Ejecuta scripts/lossless_optimize.py solo sobre una copia y verifica la paridad de renderizado y texto.

Límites operativos

• Esto no es un recomponedor universal de un solo clic: el agente de IA debe realizar la reconstrucción editorial de páginas complejas. mac_hybrid_ocr.py prepara las comparaciones de fuentes; no genera el libro final por sí mismo.
• Si Paddle no puede ejecutarse en la Mac, no continúes en silencio solo con Apple pretendiendo que la salida pasó por el OCR dual; informa del problema de instalación y ofrece al usuario un paso seguro a seguir.
• Si el entorno actual de ChatGPT Work o Codex no puede ejecutar software de Mac, indícalo brevemente. Obtén un entorno de ejecución Mac permitido en lugar de inventar resultados de OCR.
• Conserva la identidad de la caché/fuente. Nunca sobrescribas automáticamente resultados de OCR existentes de otra fuente. No publiques archivos privados en el repositorio.
• Utiliza --compare-only para reevaluar cachés existentes sin volver a ejecutar el OCR.