Janus MCP

🏛️ Janus:Claude的本地文档功能

即时TIFF的零拷贝网关↔ PDF转换 \ “不要只是转换文件。让你的人工智能读取历史记录。”

“JPEG2000编码的TIFF不能用标准图像查看器打开——它们需要专有的供应商特定软件。这个项目始于一个简单的想法：如果我们可以将它们转换为PDF并在任何标准网络浏览器中查看呢？”

 ](https://nodejs.org/)

概述

专为处理数百万扫描文档的AI/ML管道而设计。

@janus-mcp/converter 将高速扫描仪多页TIFF转换为针对AI训练和推理进行优化的归一化图像PDF。建于 零拷贝架构 实现企业级文档处理的最大吞吐量。

“投入就是创新，产出就是授权。” 我们处理传统格式的复杂性，因此您可以简单地将任务委托给AI。

设计目标

主要特点

• ✅ 零拷贝架构：直接流提取，无需解码/重新编码
• ✅ 超高速性能：9页文档约4ms（1.9MB）
• ✅ 非阻塞异步：使用libuv线程池进行异步转换
• ✅ JPEG2000标准化：自动转换33004/34713→ 34712 （可选）
• ✅ 临时往返：TIFF↔PDF转换是完全可逆的
• ✅ 多页支持：将多页TIFF转换为多页PDF
• ✅ MPL 2.0许可证：具有copyleft保护的开源

为什么是@janus mcp/converter？

🔓 用例：专有TIFF的“通用查看器”

您是否正在努力处理无法在标准图像查看器中打开的专有TIFF文件（标签34712、34713）？

在金融和政府等领域（尤其是在韩国），TIFF经常使用特定于供应商的标签来包装标准JPEG2000流。这些需要昂贵的、依赖于操作系统的专有查看器。

Janus立即解决了这个问题：

1. 提取物 来自专有TIFF容器的标准JPEG2000流。
2. 派遣 使用Zero Copy将其复制到标准PDF容器中。
3. 结果： 现在，您可以在中查看这些文件 任何标准PDF查看器 （Chrome、Edge、Acrobat、预览版）。

效果： Janus是一个高性能的开源转换器，可以将任何PDF阅读器变成传统专有文档的免费查看器。

Q： 我无法打开TIFF文件。它显示黑屏或错误。

A： 如果您的TIFF使用34712或34713等专有标签，标准查看器将无法打开它。Janus将这些标签转换为标准PDF，允许您在Chrome、Edge或Acrobat中免费查看。

安装

先决条件

Node.js

• Node.js：≥18.17.0、≥20.3.0或≥21.0.0

平台特定依赖关系

Linux（Ubuntu/Debian/Mint）

该软件包包括Linux x64（glibc≥2.31）的预构建二进制文件，但需要系统库：

检查是否安装了库：

# Check all required libraries at once
pkg-config --modversion libtiff-4 libopenjp2 libjpeg libturbojpeg zlib

# Expected output (each on separate line):
# 4.1.0        (libtiff-4)
# 2.3.1        (libopenjp2)
# 9.4.0        (libjpeg - provided by libjpeg-turbo)
# 3.0.0        (libturbojpeg - SIMD-accelerated API ⚡)
# 1.2.11       (zlib)

如果缺少任何库，请安装开发包：

sudo apt-get update
sudo apt-get install -y \
  libtiff-dev \
  libopenjp2-7-dev \
  libjpeg-turbo8-dev \
  zlib1g-dev

# ⚡ libjpeg-turbo provides SIMD-accelerated JPEG processing
# AVX2/SSE2 support is automatically enabled on compatible CPUs

验证安装和SIMD支持：

# Check library versions
pkg-config --modversion libtiff-4 libopenjp2 libjpeg libturbojpeg zlib

# Verify libjpeg-turbo is installed (not legacy libjpeg)
dpkg -l | grep libjpeg-turbo
# Should show: libjpeg-turbo8-dev (SIMD-enabled version)

# Check CPU SIMD capabilities
cat /proc/cpuinfo | grep -E "sse2|avx|avx2|avx512"
# Look for: avx2 (best), avx512f (server CPUs), or sse2 (minimum)

# Expected output (versions may vary):
# libtiff-4: 4.1.0+
# libopenjp2: 2.3.1+
# libjpeg: 9.4.0+ (legacy API, provided by libjpeg-turbo8-dev)
# libturbojpeg: 3.0.0+ (TurboJPEG API with SIMD ⚡)
# zlib: 1.2.11+

分发兼容性：

• ✅ Ubuntu 20.04 LTS或更高版本（建议使用AVX2）
• ✅ Ubuntu 22.04 LTS，24.04 LTS
• ✅ Linux Mint 20或更高版本
• ✅ 爸！\_操作系统20.04或更高版本
• ✅ Debian 11（牛眼）或更高版本
• ✅ Fedora 35或更高版本
• ✅ RHEL 9或更高版本

macOS

# Install dependencies via Homebrew
brew install libtiff openjpeg jpeg-turbo

# ⚡ jpeg-turbo includes NEON SIMD support for Apple Silicon
# Automatically optimized for M1/M2/M3 processors

验证NEON支持（苹果硅）：

sysctl hw.optional.neon
# Output: hw.optional.neon: 1 (✅ SIMD enabled)

视窗

包括预构建的二进制文件 -Windows x64不需要其他依赖项。

该包包括静态链接的二进制文件，其中嵌入了所有依赖项，包括 libjpeg-turbo支持AVX2/SSE2.

SIMD支持：

• ✅ 自动检测AVX2（2013年以后的Intel/AMD CPU）
• ✅ 在较旧的CPU上回退到SSE2
• ✅ 无需配置

NPM安装

npm install @janus-mcp/converter

从源代码构建

git clone https://github.com/edwardkim/janus-mcp.git
cd mcp-janus-converter
npm install
npm run build

用法

Claude桌面配置

添加到您的 claude_desktop_config.json:

{
  "mcpServers": {
    "janus-converter": {
      "command": "npx",
      "args": ["-y", "@janus-mcp/converter"]
    }
  }
}

可用工具

1. convert_pdf_to_tiff

将PDF转换为多页TIFF。

输入架构:

{
  "pdf_path": "/path/to/input.pdf",
  "tiff_path": "/path/to/output.tif",
  "verbose": false
}

输出:

{
  "success": true,
  "message": "Conversion successful",
  "input": {
    "path": "/path/to/input.pdf",
    "size": 1048576,
    "sizeFormatted": "1.00 MB"
  },
  "output": {
    "path": "/path/to/output.tif",
    "size": 2097152,
    "sizeFormatted": "2.00 MB",
    "exists": true
  },
  "conversion": {
    "pageCount": 9,
    "elapsedMs": 4,
    "avgMsPerPage": "0.44"
  }
}

2. convert_tiff_to_pdf

将TIFF转换为多页PDF。

输入架构:

{
  "tiff_path": "/path/to/input.tif",
  "pdf_path": "/path/to/output.pdf",
  "verbose": false
}

输出：结构与 convert_pdf_to_tiff

3. get_pdf_info

无需转换即可获取PDF文件信息。

输入架构:

{
  "pdf_path": "/path/to/file.pdf"
}

输出:

{
  "success": true,
  "path": "/path/to/file.pdf",
  "exists": true,
  "size": 1048576,
  "sizeFormatted": "1.00 MB",
  "isFile": true,
  "isDirectory": false,
  "error": null
}

4. get_tiff_info

无需转换即可获取TIFF文件信息。

输入架构：与 get_pdf_info 但随着 tiff_path

API 参考

本机插件（pdf2tif.node）

ConvertSync(pdfPath, tiffPath, verbose)

同步转换（阻止事件循环）。

参数:

• pdfPath （string）：输入PDF文件路径
• tiffPath （字符串）：输出TIFF文件路径
• verbose （boolean，可选）：启用详细输出

退货:

{
  success: boolean,
  pageCount: number,
  message: string
}

ConvertAsync(pdfPath, tiffPath, verbose)

异步转换（非阻塞，返回Promise）。

参数：与 ConvertSync

退货: Promise

本地插件（tiff2pdf.node）

ConvertSync(tiffPath, pdfPath, verboseInt)

同步转换（阻止事件循环）。

参数:

• tiffPath （string）：输入TIFF文件路径
• pdfPath （string）：输出PDF文件路径
• verboseInt （数字）：详细标志（0或1）

退货:

{
  success: boolean,
  pageCount: number,
  message: string
}

ConvertAsync(tiffPath, pdfPath, verboseInt)

异步转换（非阻塞，返回Promise）。

参数：与 ConvertSync

退货: Promise

性能特征

🚀 零拷贝JPEG优化（新增！）

JPEG压缩TIFF的革命性性能改进：

现实世界影响（1000万页）:

• 之前：45.7天
• 之后：9.5天（混合场景：90%多条，10%单条）
• 储蓄：36.2天⚡

关键创新:

• ✅ 缩写与标准JPEGTABLES的自动检测
• ✅ 单条TIFF的零拷贝重建（0.8ms/页）
• ✅ 智能回退解码→多条带放气（91.2ms/页）
• ✅ Adobe Reader与ColorTransform检测的兼容性
• ✅ 高效的Deflate压缩（原始大小的10-16%）

技术细节:

• 支持标准的JPEGTABLES（SOS标记）和缩写的JPEGTABLE（现代标准）
• 处理具有独立标头的复杂多条JPEG结构
• 针对AI预处理工作流程和大容量文档处理进行了优化

🔬 扫描仪JPEG存储：第一页与后续页

经常被忽视的实施细节：高速文档扫描仪对第一页和后续页面的JPEG数据存储方式不同。虽然这在 TIFF技术说明#2，许多转换工具无法正确处理它，导致多页文档的输出损坏。

问题：

高速扫描仪通过重用JPEG量化和霍夫曼表来优化内存：

First Page:      [SOI][DQT][DHT][SOF][SOS]...image data...[EOI]  ← Complete JPEG
                  └─────────────────────────────────────────┘
                              Stored in Strip

Subsequent Pages: [SOI][DQT][DHT]  +  [SOS]...image data...[EOI]  ← Split storage
                  └──────────────┘    └─────────────────────┘
                   JPEGTABLES tag         Strip data only

现有工具失败的原因：

• 大多数库都假设所有页面具有相同的结构
• 它们要么错过了JPEGTABLES标签，要么无法重建完整的JPEG
• 结果：第一页转换正确，后续页面损坏或变黑

我们的解决方案：

Detection → Is JPEGTABLES present?
    │
    ├─ No  → Single-strip: Direct Zero-Copy (0.8ms/page)
    │
    └─ Yes → Multi-strip: Smart reconstruction
              │
              ├─ First page: Use strip directly (already complete)
              │
              └─ Subsequent pages: JPEGTABLES + Strip → Decode → FlateDecode
                                   (91.2ms/page, but correct output)

这种混合方法实现了 所有页面的正确转换 同时尽可能保持零拷贝性能。

零拷贝架构（基于条带的TIFF）

为什么是脱衣舞？ 配备自动文档进纸器（ADF）的高速文档扫描仪将图像作为连续条带写入，以优化连续扫描期间的内存使用。这种“边走边扫描”的方法意味着 整个图像存储在单个条带中 （RowsPerStrip=图像高度），无需重新组装图块即可直接提取流。

回退模式（平铺TIFF）

为什么平铺的TIFF速度慢： 平铺TIFF将图像存储为独立平铺的网格（例如，256×256像素）。要创建有效的PDF流，所有图块必须 解码→ 重新组装成完整图像→ 重新编码这与PIL、ImageMagick和其他通用图像库使用的处理路径相同，因此根本无法实现零拷贝性能。

性能影响：条形与平铺= 快74倍 （121页，0.3秒对比22秒）

74倍的性能差异不是库的限制，而是 基本建筑差异:

• 基于条带（零拷贝）：原始压缩流→ 直接嵌入PDF（无需解码）
• 平铺（后退）：解码所有图块→ 重新组装完整图像→ 重编码→ 嵌入（与PIL/ImageMagick相同）

内存使用

并发性能

支持格式

📋 压缩格式支持矩阵

具有幂等转换保证的完整往返支持。

传说:

• ✅ 零拷贝：原始数据传输，无需解码/重新编码（121页约100ms）
• 🔄 重编码：解码并重新压缩为DEFLATE（仍然很快，保持幂等性）
• ✅ 幂等: TIFF → PDF → TIFF → PDF 第一次转换后产生字节相同的输出

JPEG2000标准化（可选）

为了实现文档管道的标准化：

// Enable JPEG2000 normalization
const result = await tiff2pdf.ConvertAsync(tiffPath, pdfPath, {
  normalizeJpeg2000: true,    // 33004, 34713 → 34712
  normalizeFallback: 1        // 0=error, 1=keep original, 2=uncompressed
});

// Result includes normalization statistics
console.log(result.normalizeSuccessCount);  // Pages normalized
console.log(result.normalizeFailedCount);   // Fallback used

PDF → TIFF转换

从PDF中提取图像并保存为多页TIFF 零拷贝 架构：

特性:

• 需要时自动插入JBIG2文件头（13字节）
• 保留原始压缩（无需重新编码）
• 多页PDF→ 多页TIFF
• 光度解释处理

TIFF → PDF转换

将TIFF图像嵌入到PDF中 自动路径选择 （可能时为零拷贝，必要时重新编码）：

高级功能:

• 1位双级操控：自动将1位双层图像转换为8位灰度，以兼容PDF
• 色彩空间检测：用途 samples_per_pixel 确定 /DeviceGray 对比 /DeviceRGB
• CCITT第3组K参数：检测Group3Options标签中的1D/2D编码（K=0/4）
• JPEG颜色转换：从组件ID自动检测（1,2,3 vs 82,71,66）
• 自动MCT检测：解析JPEG2000 COD标记以检测MCT=0/1
• 智能重新编码：将MCT=0流重新编码为MCT=1，以获得适当的显色性
• JP2 IHDR解析：从JP2容器中提取真实维度（修复填充问题）
• JBIG2标头剥离：删除PDF嵌入的13字节文件头
• 光度校正：插入 /Decode [1 0] 因为min是黑色的诠释

性能比较

关键洞察：基于条带的布局提供 74倍性能提升 平铺布局

⚡ 性能：74×速度哈克

🚀 实现最佳性能

转换器会自动检测TIFF结构并使用最佳路径：

• 基于条带的TIFF → 零拷贝（推荐，快74倍）
• 平铺TIFF → 解码/重新编码回退（兼容但速度较慢）

⚡ 推荐的TIFF创建设置

为了获得最佳转换性能，请使用以下命令创建TIFF 条形基础 布局：

使用libvips命令行界面

# JPEG2000 J2K format (recommended)
vips tiffsave input.jpg output.tif \
  --compression=j2k-minervasoft \
  --Q=85 \
  --tile=false

# JPEG2000 JP2 format
vips tiffsave input.jpg output.tif \
  --compression=jp2-inzisoft \
  --Q=85 \
  --tile=false

使用Python（pyvips）

import pyvips

image = pyvips.Image.new_from_file('input.jpg')
image.tiffsave('output.tif',
    compression='j2k-minervasoft',  # or 'jp2-inzisoft'
    Q=85,
    tile=False,                      # Force strip-based
    pyramid=False)

使用libtiff

#include 

TIFF *tif = TIFFOpen("output.tif", "w");
TIFFSetField(tif, TIFFTAG_IMAGEWIDTH, width);
TIFFSetField(tif, TIFFTAG_IMAGELENGTH, height);
TIFFSetField(tif, TIFFTAG_COMPRESSION, 34713);  // J2K
TIFFSetField(tif, TIFFTAG_PHOTOMETRIC, PHOTOMETRIC_RGB);
TIFFSetField(tif, TIFFTAG_ROWSPERSTRIP, height);  // Full-height strip
// ... write data
TIFFClose(tif);

📊 性能比较

基准：121页文档转换（每页816×1056像素）

✅ 验证

检查TIFF是否已优化：

tiffinfo your-file.tif | grep -E "(Tile|Rows/Strip)"

# Optimal (strip-based):
#   Rows/Strip: 1056  (equals image height)

# Slow (tiled):
#   Tile Width: 128 Tile Length: 128

💡 对供应商/工具的建议

如果您正在生成用于高容量PDF转换的TIFF：

1. 使用基于条带的布局 而不是瓷砖
2. 设置行/条=图像高度 （整幅图像为一条）
3. 更喜欢压缩34713 （J2K码流）以获得最佳兼容性
4. 备选方案：34712 （JP2容器）也支持零拷贝

影响：从平铺模式切换到条形模式 74倍性能提升 没有质量损失。

______________________________________________________________________

🚀 AI研究人员CPU性能指南

为什么CPU很重要：SIMD指令

转换器使用 libjpeg-turbo 对于JPEG再压缩，它利用SIMD（单指令多数据）指令实现了巨大的性能提升。 CPU的指令集直接决定了转换速度。

SIMD技术比较

📊 按CPU划分的实际性能（5页TIFF基准）

测试文件: jpeg_5page.tif （5页，高速扫描仪输出）

🎯 关键见解

1. SIMD至关重要：如果没有SIMD支持，性能将降至ImageMagick以下（-10%）
2. AVX2推荐：配备AVX2的现代Intel/AMD CPU（2013+）速度提高了60%以上
3. 苹果芯片：配备NEON的M1/M2/M3提供52-56%的加速
4. 服务器CPU：支持AVX-512的至强实现68%的加速

✅ 如何检查CPU的SIMD支持

macOS（ARM）

sysctl hw.optional.neon
# Output: hw.optional.neon: 1  (✅ NEON supported)

Linux（x86-64）

cat /proc/cpuinfo | grep -E "sse2|avx|avx2|avx512"
# Look for: avx2, avx512f

窗户（x86-64）

wmic cpu get name
# Then check CPU specs on Intel/AMD website

💡 推荐的CPU规格

人工智能研究人员处理大型TIFF数据集:

📈 性能扩展示例

处理1000万页:

🔧 优化提示

1. 使用现代CPU：选择2013+版本的CPU以支持AVX2
2. 验证SIMD：确保libjpeg-turbo检测并使用CPU的SIMD
3. 多核处理器：批处理受益于高芯数
4. 记忆：对于大型TIFF文件（200多页），建议使用16GB+

📊 性能公式

Total Conversion Time = TIFF Decoding + JPEG Recompression + PDF Writing

JPEG Recompression (with SIMD):
  - AVX2:      ~30ms per page
  - NEON:      ~40ms per page
  - SSE2:      ~50ms per page
  - No SIMD:   ~140ms per page  (4.6× slower!)

→ SIMD directly affects 24-40% of total conversion time

⚠️ 重要提示

• libjpeg-turbo自动检测：如果您的CPU支持SIMD，则会自动启用它
• 无需配置：该包装开箱即用，效果最佳
• 交叉平台的：SIMD支持适用于Windows、Linux和macOS
• 传统CPU：仍然比ImageMagick快，只是利润率较小

______________________________________________________________________

建筑

项目结构

mcp-janus-converter/
├── package.json
├── README.md
├── LICENSE (MPL 2.0)
├── NOTICE
├── index.js (Unified MCP Server)
├── binding.gyp (Multi-target build)
├── src/
│   ├── pdf2tiff/
│   │   ├── addon.c (N-API wrapper)
│   │   ├── pdf_parser.c (Custom PDF parser)
│   │   ├── pdf_parser.h
│   │   ├── pdf2tiff.c (TIFF generation)
│   │   └── pdf2tiff.h
│   └── tiff2pdf/
│       ├── addon.c (N-API wrapper)
│       ├── tiff_parser.c (TIFF metadata parser)
│       ├── tiff2pdf.c (PDF generation)
│       └── tiff2pdf.h
└── build/Release/
    ├── pdf2tiff.node
    └── tiff2pdf.node

多目标构建

这 binding.gyp 配置构建 两个独立的本机插件 来自一个项目：

1. pdf2iff.node：PDF→ TIFF转换
2. tiff2pdf.node：TIFF→ PDF转换

好处:

• 独立版本控制和更新
• 模块化架构（必要时可单独使用）
• 更容易测试和调试
• 明确区分关注点

异步架构

两个本机插件都使用 N-api异步 具有以下模式：

typedef struct {
  napi_async_work work;
  napi_deferred deferred;

  /* Input parameters */
  char source_path[4096];
  char target_path[4096];
  int verbose;

  /* Output results */
  int result_code;
  int page_count;
  char error_message[256];
} ConvertAsyncData;

执行流程:

1. 主线程：解析参数，创建Promise
2. 工作线程 （libuv）：执行转换
3. 主线程：解决/拒绝Promise

⚖️ 许可证和理念

@janus mcp/converter根据Mozilla公共许可证2.0（MPL 2.0）获得许可。

版权所有（c）2025 Janus项目

这对你意味着什么：

✅ 你可以 在您的商业/专有应用程序中自由使用此软件包。 ✅ 你可以 无需打开应用程序的源代码，即可链接到此包。 ❌ 你不能 修改源文件并将其作为闭源分发。 ❌ 你不能 通过隐藏我们的核心优化来创建“Pro”版本。

为什么选择MPL 2.0？

我们选择此许可证是为了摆脱AGPL（如MuPDF）的限制，同时防止 不道德的供应商利用我们的 零拷贝创新 为了创建锁定， 封闭式衍生品。

“投入就是创新，产出就是授权。” 我们自由分享我们的创新，只要 你尊重核心技术的开放性。

重要通知

看 通知 SDK供应商警告文件。

发展

构建命令

# Clean build
npm run clean

# Build native addons
npm run build

# Rebuild (clean + build)
npm install

测试

# Test PDF → TIFF conversion
node -e "
const pdf2tiff = require('./build/Release/pdf2tiff.node');
(async () => {
  const result = await pdf2tiff.ConvertAsync('input.pdf', 'output.tif', false);
  console.log(result);
})();
"

# Test TIFF → PDF conversion
node -e "
const tiff2pdf = require('./build/Release/tiff2pdf.node');
(async () => {
  const result = await tiff2pdf.ConvertAsync('input.tif', 'output.pdf', 0);
  console.log(result);
})();
"

调试

# Enable verbose output
node index.js --verbose

# Check native addon loading
node -e "
const pdf2tiff = require('./build/Release/pdf2tiff.node');
const tiff2pdf = require('./build/Release/tiff2pdf.node');
console.log('pdf2tiff version:', pdf2tiff.GetVersion());
console.log('tiff2pdf version:', tiff2pdf.GetVersion());
"

🚀 与现代浏览器协同（Chrome OCR）

Janus+Chrome=即时OCR和可搜索性

最近，谷歌Chrome浏览器为基于图像的PDF添加了内置的AI OCR。这与Janus形成了强大的协同效应：

1. 泛科普特语第11个月-ShortNamePossible 在毫秒内将不可读的专有TIFF转换为标准PDF。
2. 铬 打开PDF并自动识别图像中的文本。
3. 结果： 你可以 选择、复制和搜索文本 无需在服务器上安装任何繁重的OCR软件，即可从传统扫描文档中读取。

“零服务器负载OCR”：Janus准备文件，Chrome提供情报。

❓ 故障排除/常见问题

Q： 我无法打开TIFF文件。它显示黑屏或错误。

A. 这可能是由于专有的压缩标签。 如果您的TIFF使用以下标签 34712（InziSoft） 或 34713（Minervasoft），标准图像查看器无法解码它们。 Janus解决了这个问题： 它提取隐藏的JPEG2000流并将其封装在标准PDF中，使其在Chrome、Edge或Acrobat中可见。

本机插件构建失败

错误: Cannot find module 'build/Release/pdf2tiff.node'

解决方案:

npm run build

未找到libtiff

错误: error while loading shared libraries: libtiff.so.5

背景：Linux预构建是针对Ubuntu 20.04（libtiff.so.5）编译的。较新的发行版使用libtiff.so.6。

libtiff发行版:

libtiff.so.6系统的解决方案 （Ubuntu 24.04、Debian 12、RHEL 9、Fedora 39+）：

# 1. Install libtiff if not already installed
sudo apt-get install libtiff-dev  # Ubuntu/Debian
# or
sudo dnf install libtiff-devel    # RHEL/Fedora

# 2. Find libtiff.so.6 location
find /usr -name "libtiff.so.6*" 2>/dev/null
# Example output: /usr/lib/x86_64-linux-gnu/libtiff.so.6

# 3. Create symlink for libtiff.so.5
sudo ln -s /usr/lib/x86_64-linux-gnu/libtiff.so.6 /usr/lib/x86_64-linux-gnu/libtiff.so.5

# 4. Update library cache
sudo ldconfig

# 5. Verify symlink
ls -la /usr/lib/x86_64-linux-gnu/libtiff.so.5
# Should show: libtiff.so.5 -> libtiff.so.6

备选方案（每次会议）:

# Set library path without creating system symlink
export LD_LIBRARY_PATH=/usr/lib/x86_64-linux-gnu:$LD_LIBRARY_PATH

备注：符号链接方法之所以有效，是因为libtiff.so.5和libtiff.so.6与此包使用的函数ABI兼容。

转换失败

错误: Failed to open PDF file 或 Failed to open TIFF file

清单:

1. 验证输入文件是否存在并且可读
2. 检查文件权限
3. 确保文件路径是绝对路径或正确的相对路径
4. 验证文件格式（未损坏）

贡献

我们欢迎捐款！请阅读我们的 贡献指南 在提交pull请求之前。

开发流程

1. 分叉存储库
2. 创建要素分支(git checkout -b feature/amazing-feature)
3. 进行更改
4. 用常规承诺进行承诺(git commit -m "feat: add amazing feature")
5. 推到您的分支(git push origin feature/amazing-feature)
6. 打开拉取请求

路线图

• \[x\] v1.0.0：Windows x64预构建二进制文件
• \[x\] v1.1.0版本：Linux x64预构建二进制文件（Ubuntu 20.04+，glibc 2.31+）
• \[x\] v1.2.0版本：macOS ARM预构建二进制文件
• \[x\] v1.3.0版本：零拷贝JPEG优化（单条加快493倍，多条加快4.3倍）
• \[ \] v1.4.0版本：高级PDF元数据提取
• \[ \] v1.5.0：TIFF注释渲染
• \[ \] v2.0.0版本：支持其他压缩格式

学分

• libvips：需求驱动的图像处理库
• LibTiff：TIFF读/写库
• OpenJPEG：JPEG 2000编解码器库
• MCP-SDK：Anthropic的模型上下文协议

支持

• 问题:
• 讨论:
• 电子邮件: tangokorea@gmail.com

许可证

此项目根据Mozilla公共许可证2.0获得许可-请参阅 许可证 文件以获取详细信息。

______________________________________________________________________

制作❤️ Janus项目