PDFGym
ZH

把PDF转成Markdown

或拖到这里
请先选择一个PDF。

困在PDF里的文档，是没人会去更新的文档。本页读取可选文字，按阅读顺序重建，带上标题、列表和代码块，并核验98%的保留字符按序存活。扫描页没有文字可放行，这类文件会连拒收理由一起点名。

必须变成wiki页面的手册

源文件丢了，只剩PDF时，把六十页重敲一遍不是计划。把文字连结构一起提出来，清理那份就行。

一位技术作者接手field-manual-2024.pdf：60页，没有源文件，上级要求搬上公司wiki。她在本页打开文件，保持页面记号开启，让每节都找得到出处页，保持去重复开启，扔掉每页重复的页眉，然后按下转成Markdown。

下载得到field-manual-2024.md，标题已经推断好，回执数清检查的页数和留存的文字。她按章节粘进wiki，记号标着每页PDF从哪里起。一整个下午的清理，胜过一个月的重敲。

从PDF到Markdown的四步

  1. 打开PDF

    按选择PDF，或把文件拖到页面上。文档得有可选文字可给。

  2. 设置记号和重复

    先选保留页面记号还是连续文档，再选去重复还是保留每行。选项下面的备注会在运行前把这组搭配复述一遍。

  3. 转换文字

    按转成Markdown。行按阅读顺序重建，再拿字号和字形证据推断标题、列表和代码块。

  4. 检查并下载

    Markdown会被读回：记号数必须等于页数，字符必须按序存活并越过留存线，编码错一律拒收。然后下载Markdown按钮把文件按源文件名存下，旁边附着留存百分比，以及去掉的重复行和无文字页面的备注。

转换器推断什么，又证明什么

PDF记的是摆好位置的文字行，Markdown记的是排好顺序的结构。工具把文字行组成行，把行排成阅读顺序，视觉上最响的提成标题，圆点起头的排成列表，等宽的收进代码。页面记号以HTML注释的形式到来，写着每页的页码，渲染后隐身；去重复只扔短行：同一短行在大多数页面的同一页边出现才算。结果备注会明说扔了几行。

回执守三件事：每页记号齐全并数清，可见字符按原顺序存活，留存率达到98%且没有编码替换字符。预览把源页面和第一段Markdown并排放成纯文本，故意不渲染，这样什么都执行不了。请先扫一眼再信这份结构。

转出来难看的文档

扫描件直接拒收：没有文字层就没有Markdown，并点名缺的是OCR那一步。猜出的文字需要自己的准确度量和人工复核，工具拒绝凭空捏造。双栏论文、密表格、脚注只能近似转换，阅读顺序尽力而为，预览会标出它猜了哪里。

去重复有一处锋利的边。每页同一页边都印着的优惠码、警告语或口号，在规则眼里长得和页眉一模一样，会被连数一起扔掉。重复行是内容而不是版式摆设时，请用保留每行重跑一遍，再手工删真正的页眉。

Markdown不是对的目标时

可编辑的办公文档请走PDF转Word，可视的页面复刻请走PDF转HTML。真格的表格归PDF转CSV或PDF转Excel。想绕回纸面，Markdown转PDF把Markdown渲染成经核验的文档。幻灯片用的页面图请走PDF转图片。

草稿为何留在您的设备上

没发表的研究、法律草稿、内部报告，不该去陌生服务器上试镜。提取、推断、留存检查，全在PDF本来就在的地方跑，不用注册，也没东西被留下。

失败的样子是沉默而不是垃圾：留存率掉下线，或编码里混进捣乱字符，就干脆没有下载。缺席的文件告诉您这份文档该换条路走，胜过一份自信满满却带洞的文件。

PDF转Markdown快问快答

双栏论文为什么横着读而不是竖着读？
阅读顺序跟着视觉行走，两栏在分组器眼里像一行宽字。词都活着，但双栏文章下载后要手工重排。
每页都有的优惠码不见了，去哪了？
被去重复吃了：同一短行在大多数页面的同一页边出现，正中页眉规则。请用保留每行重跑，把它请回来。
98%留存到底卡什么？
卡可见字符按原顺序过来，几乎一个不少。掉下线，或混进编码替换字符，下载就扣下，绝不带着洞发货。
推断的标题信得过吗？
大体信得过。大号加粗的行会被加上记号，回执会数清推断了几个。但请扫一眼预览，响亮的图注也可能冒充标题。
预览里一堆井号，是坏了吗？
没有。预览故意用纯文本：不渲染HTML，不跟链接，不加载图片。把下载的文件粘进任何Markdown应用，就能看到穿戴整齐的样子。

搬运文字的更多工具

下面的工具待文字同样仔细：在您的设备上提取，下载前检查，从不索要帐户。