扫描版PDF清洁器
用手机拍摄的打开书籍照片，在书脊附近会出现弯曲、倾斜、发灰，边缘还有拇指印和下一页的碎片。此技能可将它们转换为如同干净印刷品般可读的页面。
脚本负责像素处理，而您负责判断：您需要追踪每页的角落，查看被移除的内容，并决定文本外部的标记是印刷体（保留）还是非印刷体（移除）。每一步都会生成可读的接触印片，请务必查看，不要假设步骤已完美执行。
设置（每台机器只需一次）
SKILL=<此技能所在文件夹> # 存放此 SKILL.md 的文件夹
python3 -m venv ~/.cache/scanned-pdf-cleaner-venv
~/.cache/scanned-pdf-cleaner-venv/bin/pip install -q -r "$SKILL/requirements.txt"
PY=~/.cache/scanned-pdf-cleaner-venv/bin/python
以下所有命令均以 cd "$SKILL/scripts" && $PY <脚本> ... 的形式运行。每个文档使用一个新的、空的工作文件夹，位于用户项目之外（例如临时文件夹）。用户的文件仅被读取。
工作流程
1. 准备
$PY prepare.py INPUT.pdf WORK # 或者：图片文件夹，或图片文件（HEIC：请先转换）
生成 WORK/src/p-NNN.jpg（竖立照片）、WORK/grid/g-NNN.jpg（每张照片上叠加每100像素的红色网格，四边标有百位数字）以及 WORK/rough.json（包含每张照片的占位轮廓）。
如果照片侧向或倒置，请旋转：$PY prepare.py --turn WORK p-003.jpg 90|180|270（顺时针）。
2. 追踪页面角落（由您完成）
阅读每张网格图像。为每张照片找到属于文档的页面。将其四个角点写入 WORK/rough.json，使用源像素坐标，按页面阅读顺序排序：左上、右上、右下、左下。对于横向标签7、纵向标签12的点，写为 [700, 1200]。
{"001": {"src": "p-000.jpg", "quad": [[96,72],[930,92],[945,1468],[70,1480]]}}
- 键是输出页面顺序（
001,002, ...）。保持该顺序与阅读顺序一致。 - 取页面的纸张边缘，而非文本。靠近书脊处，取页面弯曲进入装订线的线条。如果页面超出照片范围，则角点放在照片边缘上。
- 双页跨页照片给出两个具有相同
src的条目，每页一个，例如"005"和"006"。 - 精度在约30像素内即可。下一步会自动吸附到真实边缘。
3. 吸附到纸张边缘
$PY refine.py WORK
生成 WORK/quads.json 和 WORK/sheets/quads-NN.jpg：橙色 = 您的追踪，红色 = 吸附后，绿色圆点 = 左上角。阅读这些印片。如果红色轮廓跳到了阴影、桌面或邻页上，请修正该追踪并重新运行此步骤。
4. 展平、调色并清洁边缘
$PY clean.py WORK # 或者：clean.py WORK 004 007 来重做某些页面
对于每一页，此步骤：
- 查找文本行和已对齐的列边缘；
- 将文本块方正，并为每一行拟合一个平滑弯曲表面，使弯曲的行变直；
- 将纸张调为白色，墨迹调为黑色；
- 移除接触页面边缘的暗色标记：手指、书脊卷曲、折痕和邻页碎片。
对于少于5行文本的页面（如标题页和全页图），改用简单的四角扭曲。输出：WORK/pages/、WORK/blocks.json 和 WORK/sheets/review-NN.jpg，其中红色 = 已移除，蓝色 = 留给您决定，绿色 = 文本块。
阅读审查印片。需要检查的事项：
- 行仍然弯曲或页面倾斜：追踪有误。修正
rough.json，然后为该页面重新运行 refine 和 clean。 - 绿色框内的文本显示为红色：告知用户。边缘清洁从不移除文本框内的文本，除非文本位于页面边缘带上。
5. 列出文本外部的标记
$PY flags.py WORK
生成 WORK/flags/flags-N.jpg：文本块外每个暗色标记的编号图块。
6. 决定保留或移除（由您完成）
阅读标记印片，并编写 WORK/decisions.json：
{"keep": [0, 3, 4, 7], "strokes_only": [23], "erase": [{"page": "014", "box": [1500, 300, 80, 900], "mode": "strokes"}]}
- keep：所有印刷内容。包括页码、页眉、章节编号、图注、侧边标签、表格线、插图和绘图。印刷体的文字清晰规则。书籍中的绘图也属于印刷内容，即使是涂鸦式的儿童画。
- remove：不将其编号列出。包括手写、钢笔和铅笔笔记、污渍、斑点、指纹、灰色条和撕裂边缘阴影。钢笔线条细、不均匀且常倾斜，与字体不匹配。
- strokes_only：带有穿过或划过印刷字母的笔画。仅移除高于1.5行的笔画。
- erase：在
pages/page-KEY.jpg上以页面像素为单位指定方框，用于处理文本框内您被要求移除的标记。"mode": "all"将方框变白；"strokes"仅移除高笔画。
在移除用户可能想要保留的内容前请询问用户。这包括文本内部的钢笔下划线和行间注释，以及荧光笔。默认：移除页边注释，保留文本内的下划线。当您无法区分印刷体和手写时也请询问。展示图块，不要描述它。
7. 完成
$PY finish.py WORK OUT.pdf # --no-frame 保留每页自身的边框；--dpi 默认为 300
功能：
- 将文本块外的所有内容变白，但保留的项目除外。
- 移除紧贴文本块两侧的细长钢笔括号。
- 将所有页面统一到一种页面尺寸：
- 文本大小一致：近拍或远拍的照片匹配。缩放使用文本块的宽度，或者当图形缩窄列时使用行距。
- 左右边距相等，因此原来靠一边的内容或因书籍厚度偏移的内容居中。
- 每页顶部边距相同。
请阅读 WORK/sheets/final-NN.jpg 后交付。检查每页是否有残留污渍、被裁切的文本以及误保留的内容。然后向用户提供PDF路径。将PDF保存在输入文件旁边（例如 <名称>_clean.pdf），除非用户另有说明。
理想效果
- 文本行从头到尾笔直且水平，包括靠近书脊的那一行。
- 纸张纯白，墨迹纯黑，细笔画保持完整。大面积的暗色绘图保留其填充。
- 没有手指、阴影、邻页碎片或斑点。左右边距相等，每页文本大小一致。
实际使用中的注意事项
- 修正器通过阅读文本工作，因此对于充满对齐行的页面效果最佳。它适用于任何文字系统，包括从右至左（希伯来语、阿拉伯语），因为它仅查看行的形状。
- 图形内的短行（标注）在拟合弯曲时会被忽略，因此图形不会导致页面折叠。
- 大面积暗色绘图如果使用简单调色会被洗成灰色。
tone()会利用周围纸张信息保持纸张估算值。 - 当页面的卷曲吞没了书脊附近的几个字母时，照片中已无信息可恢复。请如实告知，不要虚构文本。
- 双栏论文：文本块跨越两栏。检查审查印片，确认跨栏区域的线条拟合正确。