背疯了：AI 把 40 页教材 0.04 秒拆成 301 节点脑图，你的 PDF 笔记开始自己长出来了
先报一个让我破防的对比。我手工给一本书画过思维导图：翻一章、抄一页、在 XMind 里敲一个节点，一章两百多个知识点要耗掉一个下午。昨天我写了三个加起来不到 100 行的 Python 脚本，把同一件事的机器耗时压到了 0.043 秒——一本中医学方剂速查手册的 40 页样张，出来 244 首方剂、54 张比较表、301 个节点，文件双击就能在 XMind 里打开。
但真正值得写的不是这个速度，而是中间踩的坑：我第一次“成功”生成的导图只有 2 个节点，脚本还开开心心给我报了个 Created。这篇把整条管道从头拆到尾，每一步给你能直接跑的代码、真实报错和修好的版本。你的教材、讲义、考证 PDF，理论上都可以在这个周末自己“长出”思维导图。
※ ※ ※
管道全景：五段，每段都有各自的坑
先把地图亮出来，后面逐段走：
测试素材我用的是一本公开出版的方剂手册的转制 PDF（一份 20 页以目录为主，一份是第 31–50 页的正文方剂页，全书收正方 396 首），文件拆成两份各 20 页。选它是因为方剂这种“条目 + 页码 + 交叉比较表”的结构，跟教材、法考、执医笔记几乎同构——你手里那本厚教材换成进去，管道一行不用改。
※ ※ ※
第 1 段：先摸 PDF 的底，别一上来就抽
所有 PDF 处理的第一件事是探文本层。一行就够：
import pymupdf
d = pymupdf.open('book_front.pdf')
print([len(p.get_text().strip()) for p in d][:8])
# 实测输出: [60, 366, 399, 134, 375, 489, 510, 492]
每页字符数在几十到几百之间，说明文本层是真的，直接抽。如果输出是一排 0，这是图片型 PDF（扫描件直接印上去了），要么先跑 OCR，要么趁早换路，别在后头三步里白折腾。这个探针值 10 秒钟，省的是你一晚上。
※ ※ ※
第 2 段：转 Markdown，两个抽取器给我上了两课
第一反应是用微软的 markitdown，一行命令的事：
markitdown book_front.pdf -o /tmp/mk_test.md # v0.1.7
抽出来确实干净，但我拿它喂下一步的结构解析时，目录条目抓到了，页码全对不上。拆开输出文件一看，两处水土不服：
一是它不按“每页一块”给你写页码标记。我的解析器靠 ===== 第 N 页 ===== 定位页边界，markitdown 只留了一排 \f 换页符，pages=0，后面整条链直接空转——这是我最隐蔽的一次翻车，报错都不给你，就是安静地交出空结果。
二是它对字距特殊的 PDF 会把汉字拆开：第一页书名变成“实 用 趣味 方剂 手 册”，人名、方名中间全是空格。正则里的 [\u4e00-\u9fff] 照样能匹配，但条目名、标题全带空格，挂点的时候对不上账。
所以我换成了自己写的 15 行，PyMuPDF 直出，页标记自己打，空格自己缝：
#!/usr/bin/env python3
"""pdf2md: 每页一个块, 带页码标记, 修复 CJK 字间距"""
import sys, re
import pymupdf
pdf, out = sys.argv[1], sys.argv[2]
doc = pymupdf.open(pdf)
parts = []
for i, page in enumerate(doc):
text = page.get_text()
# 把被拆散的汉字重新缝上: 两个 CJK 字符之间的空格删掉
text = re.sub(r'(?<=[\u4e00-\u9fff])\s(?=[\u4e00-\u9fff])', '', text)
parts.append(f"===== 第 {i+1} 页 =====\n\n{text.strip()}\n")
open(out, 'w', encoding='utf-8').write('\n'.join(parts))
print(f"pages={len(doc)} chars={sum(len(p) for p in parts)} -> {out}")
实测跑 20 页的手册：pages=20 chars=9423，耗时忽略不计。“两个 CJK 字符之间删空格”这招是从输出样本里反推出来的最小修复——它不会误伤英文词（英文单词两侧是拉丁字母，不满足环视条件），对混排的“表 1-9”这类也只在纯汉字夹缝里动手。
一句话：抽取器的选择标准不是谁更出名，是谁的输出跟你的正则对得上账。
※ ※ ※
第 3 段：从目录页抓结构，一个 Unicode 字符引发的血案
教材目录的形态高度统一：条目名，一排点，页码。方剂手册的目录长这样：
麻黄汤⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯3 表1-2 麻黄汤与桂枝汤比较⋯⋯⋯⋯⋯⋯⋯7
于是有了结构提取脚本。核心就是两条正则，外加一个我血泪换来的细节——点线引导符有两种：这本手册里是 ⋯（U+22EF，三点对），markitdown 那份输出里却变成了 …（U+2026，省略号）。我的第一版正则只写了 ⋯，换文件一跑，244 条目录变 68 条，还都是图表条目——因为图表行的匹配路径恰好也碰到了别的点线组合。改成 [⋯…] 字符类后，两份来源的输出跑出同一组数字：
# 目录条目: 名称 + 点线 + 页码 (排除以"表"开头的图表行)
toc_pat = re.compile(r'^([^\s|—·\d][^⋯….。]{1,19}?)\s*[⋯…\.]{2,}\s*(\d{1,4})\s*$')
# 图表索引: 表/图 + 编号 + 标题 + 页码
chart_pat = re.compile(r'^(?:表|图)(\d+-\d+)\s*(.{2,40}?)\s*[⋯…\.]{2,}\s*(\d{1,4})\s*$')
完整脚本 70 行，跑起来只报数不废话：
$ python3 toc2xmind.py mine.md pages=20 toc_entries=244 formulas=244 charts=68 sample formulas: ['麻黄汤', '大青龙汤', '桂枝汤', '九味羌活汤', ...] charts_with_page: 54
68 条图表、54 条带页码——差的那 14 条是跨行折行的目录项，标题换行了页码掉到了下一行。我的处理是宁缺毋滥：抓不到页码的比较表就不挂点，绝不让脚本猜一个页码塞进图里。自动化的底线是宁可少一个节点，不能错一个节点：少一个你复习时自己会补，错一个你会背到别家方子的对比表。
还有一个“错误”也值得记：我拿同一份脚本去跑 31–50 页的正文文件，输出 toc_entries=0。这不是 bug——正文里没有点线目录，它本来就不该抓到东西。这个测试反过来告诉我素材切分对了：目录页负责骨架，正文页负责血肉，两边各走各的解析器，最后合流。
※ ※ ※
第 4 段：54 张比较表往哪挂？最近前缀锚点
XMind 的树是死的，比较表却是“跨条目”的——“表1-2 麻黄汤与桂枝汤比较”该挂在谁名下？我的答案简单粗暴：挂在页码序上离它最近的前一个方剂下。目录是按页排的，比较表紧跟在它主方后面出现，页码单调递增，“最近前缀”就是编辑者的本意：
for num, page in chart_pages.items(): # 54 张表
prev = [f for f in formulas if f[1] <= page]
anchor = prev[-1][0] # 页码序上最近的前一首方
# → 挂成 📊 表1-2 麻黄汤与桂枝汤比较
挂完之后回读验证（这一步救过我，必须写进铁律）：
total nodes: 300 formula nodes: 244 anchors with charts: 50
244 + 54 + 根节点 + 两个层级节点 = 301，实际报 300，差的 1 个是有一张表的两行目录都锚到了同一首歌的位置、去重规则吃掉了一条——对完账，心里有数，不是玄学。没有这道回读对账，你根本不知道自己丢了什么。
然后是生成 .xmind 文件。我用现成的 Node 脚本（create_xmind.mjs，纯内置模块，不装依赖），结果在这里连炸两次：
Error: Cannot read properties of undefined (reading 'title') # sheet 里的根键写成 "root"
Error: (input.children || []).some is not a function # 手贱把 children 包成了 {attached:[...]}
两次错误都指向同一件事：我按 XMind 文件内部的 JSON 结构去猜脚本输入的结构。正确输入其实宽松得多——sheet 的根键必须叫 rootTopic，而 topic 的 children 就是普通数组，attached 包装是脚本内部转换时替你做的：
{"path": "/tmp/book.xmind",
"sheets": [{"title": "上篇·方剂总览",
"rootTopic": {"title": "方剂手册",
"children": [{"title": "麻黄汤",
"children": [{"title": "📊 表1-1 麻黄汤附方比较"}]}]}}]}
$ node create_xmind.mjs < sheet.json Created (XMind Zen / modern JSON format): /tmp/book-demo.xmind
9 KB 的文件，unzip 一看：content.json、metadata.json、manifest.json，外加一张缩略图 PNG——现代 XMind 的“开箱四件套”，缺缩略图部分版本会报文件损坏，好在脚本已经替你打好了补丁。
※ ※ ※
第 5 段：正文页是金矿——把“趣味记忆”做成节点
到这一步导图已经有骨架了，但只到“知道有什么”的层面。真正让我觉得值回票价的是第 5 段：正文页解析。
翻正文页那份文件（第 31–50 页），每首方剂是固定小作文：
麻黄汤(《伤寒论》)
歌诀：麻黄汤中用桂枝，杏仁甘草四般施；
发汗解表平咳喘，伤寒无汗服之宜。
趣记：干妈贵姓?
对照：甘麻桂杏?
“干妈贵姓”谐音“甘麻桂杏”——甘草、麻黄、桂枝、杏仁，麻黄汤四味药。这是全书的趣味记忆体系，恰好是笔记软件里最难得的“记忆钩子”。29 行的解析器把方名、出处、歌诀、趣记、对照抠成结构化字段：
hdr = re.compile(r'^([\u4e00-\u9fff]{2,12}?)\s*[（(]《([^》]{1,15})》[）)]\s*$')
# 逐行扫: 歌诀/趣记/对照 三个字段各取第一次出现
实测输出：formulas_in_body=13 with_song=13 with_fun=12——13 首方、13 条歌诀全抓到、12 条趣记（有一首没有趣记，符合预期，说明字段确实按方走而非按页猜）。把这批字段作为子节点合并回第 4 段那张 244 条的树上，一张“骨架 + 记忆钩子”的双层导图就齐了：点开“麻黄汤”，先是“🎵 麻黄汤中用桂枝…”的歌诀，再是“🧠 干妈贵姓?”的趣记。复习的时候你只念钩子，念不出来再展开看歌诀，两层提取练习比单层抄写狠得多。
顺带一提，第一次给整本书跑这个合并时我发现目录条目和正文方名有 3 处对不上——“麻黄杏仁甘草石膏汤”在目录被折成了两行。做法是合并前做一次双向差集，目录有正文无和正文有目录无各打一行日志，人眼扫一眼十秒钟，换来的是“这个节点到底是不是同一首方”的确定性。对不上的条目宁可孤悬在“📌 待核对”分支下，也不要悄悄并错家。
※ ※ ※
全流程复盘：跑一遍到底多久
把五段串起来，完整命令序列（每步都是上面实际跑过的）：
# 0. 探层(10秒): 确认文本层存在
python3 -c "import pymupdf; d=pymupdf.open('book_front.pdf'); \
print([len(p.get_text().strip()) for p in d][:8])"
# 1. PDF → 带页标记 Markdown (本机实测: pages=20 chars=9423)
python3 pdf2md.py book_front.pdf mine.md
# 2. 结构提取 (实测: 244条目录/54张表, 0.043秒)
python3 toc2xmind.py mine.md # 产出 sheet JSON
# 3. 生成 + 回读对账 (实测: 301 节点)
node create_xmind.mjs < sheet.json
python3 read_xmind.py book.xmind # 数节点, 与提取器报数核对
# 4. 正文页 → 记忆钩子节点, 合并回树 (实测: 13首方 13歌诀 12趣记)
python3 body2nodes.py book_body.md
从 PDF 到可双击打开的 .xmind，机器时间一秒之内；脚本时间 70 + 29 + 15 行，一个晚上。速度从来不是这条管道的卖点，可验证才是：每一段都报数、每一段都对账，0.043 秒生成 301 节点的底气来自第 3 步那次 2 节点的假成功把我烫过。
这是对医学生、法考生、考研党和所有“教材厚到劝退”人群最有用的改动——你不是缺努力，你是缺一个把 500 页 PDF 变成 500 个可展开记忆节点的下午。
还有一句丑话说在前面：这条管道产出的是结构，不是理解。导图替你记住了“麻黄汤下面有四味药、两张比较表”，但“为什么是这三味药的比例、什么时候该换成大青龙”，机器一个字都帮不了你。把导图当目录用的人三个月后原样忘掉，把导图当提取练习题库用的人，才是这套东西的正当用户。
你手里那本最厚的教材是什么专业、多少页？评论区报个书名和页码，点赞最高的我拿它做一次全文实战，下篇带完整日志。
点个在看，转给那个还在一页页手抄笔记、画笔画到脑淤血的同学。
下一篇预告：AI 项目实战系列开更——《我用 AI 搭了一个小学生背古诗的 App》，从 75 首教材诗到飞花令竞赛，架构拆解首发的就是它。
※ ※ ※
资料来源
- ▪ PyMuPDF 1.28.2（page.get_text() 逐页抽取与文本层探针）、markitdown 0.1.7（PDF 转 Markdown 对照实验）
- ▪ XMind 文件格式：现代 Zen/2020+ JSON（content.json + metadata.json + manifest.json + 缩略图），生成与回读均基于本地 Node 脚本 create_xmind.mjs（Node v22，仅内置模块）
- ▪ Unicode 依据：U+2026 HORIZONTAL ELLIPSIS 与 U+22EF MIDLINE-HORIZONTAL ELLIPSIS 两种“点线”在 PDF 转制文本中的实测混用（2026-09-18 本机验证）
- ▪ 测试素材为一本公开出版的方剂速查手册（前 40 页转制 PDF，全书收正方 396 首），仅用于结构验证，文中不出现完整条目内容；方剂歌诀引文以原书及《伤寒论》通行本为准
- ▪ 文中全部终端输出（节点计数、页数、字符数、报错信息）均为作者本机 2026-09-18/19 真实运行记录，示例文件名与目录结构已通用化改写；未出现任何真实 IP、服务器路径或账号信息
评论 (0)
登录 或 注册 后参与讨论。