Books2LLM: OCR to Markdown to LLM Polish

Bu proje, PDF kitapları okuyup, Marker ile Markdown'a çeviren, ardından yerel LLM (LM Studio - Qwen3 Vl 30B) kullanarak metni temizleyen ve düzelten bir Python uygulamasıdır.

Mimari

1. PDF Ingestion: input/ klasöründeki PDF dosyaları okunur.
2. OCR & Conversion: marker-pdf kütüphanesi kullanılarak PDF'ler Markdown formatına çevrilir. Görseller ve tablolar korunur.
3. Pre-processing: Bariz OCR hataları regex ve heuristic yöntemlerle temizlenir.
4. LLM Polishing: Metin, LM Studio üzerinde çalışan Qwen3 Vl 30B modeline gönderilir. "Semantic Cleaning" yapılarak cümleler birleştirilir ve düzeltilir.
5. Output: Temizlenmiş metin output/ klasörüne, her kitap için tek bir Markdown dosyası olarak kaydedilir.

Gereksinimler

• Python 3.10+
• LM Studio (Qwen3 Vl 30B modeli yüklü ve server modu aktif: http://localhost:1234/v1)
• GPU (Marker ve LLM için önerilir)

Kurulum

Bu proje, bağımlılıkları izole etmek için Python sanal ortamı (venv) kullanır. make install komutu otomatik olarak bir .venv klasörü oluşturur.

make install

Kullanım

1. PDF dosyalarınızı input/ klasörüne koyun.
2. Uygulamayı çalıştırın (Sanal ortam otomatik olarak kullanılır):

   make run

3. Sonuçları output/ klasöründe bulabilirsiniz.

Yapılandırma

• src/config.py: LLM ayarları, model adı ve diğer parametreler buradan değiştirilebilir.