Convertir un PDF a Markdown es útil cuando desea llevar el contenido del documento a una aplicación de notas, un generador de sitios estáticos, una wiki de GitHub o cualquier otro sistema que utilice Markdown como formato nativo. La conversión no es perfecta (PDFs y Markdown representan el contenido de manera muy diferente), pero para documentos con mucho texto, los resultados suelen ser lo suficientemente buenos como para trabajar con ellos.
Por qué PDF para Markdown es más complicado que PDF para Word
PDF y Markdown se encuentran en extremos opuestos del espectro de documentos. PDF es un formato de diseño fijo que conserva la posición exacta de cada elemento. Markdown es un formato de texto sin formato que se basa en símbolos simples para indicar la estructura (títulos, negrita, listas) sin concepto de diseño de página. Convertir entre ellos significa que la herramienta tiene que interpretar la estructura visual de un PDF y traducirla a símbolos semánticos de Markdown, lo cual es más difícil de lo que parece.
Los diseños de varias columnas, las notas al pie, las barras laterales, los encabezados y los pies de página causan dolores de cabeza. La conversión funciona de manera más limpia en documentos de una sola columna con una jerarquía de encabezados clara y un formato simple.
Método 1: Convertir PDF a Word primero y luego a Markdown
Un enfoque confiable de dos pasos es convertir primero el PDF a Word y luego convertir el documento de Word a Markdown. Utilice la herramienta PDF a Word de WukongPDF para obtener un archivo .docx, luego use una herramienta como Pandoc o Word-to-Markdown (w2m) para convertir el .docx al formato .md. Pandoc es gratuito, se ejecuta desde la línea de comandos y maneja bien la conversión de .docx a Markdown.
El comando en Pandoc es simple: pandoc input.docx -o output.md. Pandoc asigna los estilos de encabezado de Word a los niveles de encabezado de Markdown, convierte el formato de negrita y cursiva y maneja listas y tablas. El resultado requiere cierta limpieza, pero suele ser un punto de partida sólido.
Método 2: Utilice un PDF directo a la herramienta Markdown
Varias herramientas intentan la conversión directa de PDF a Markdown. Marker es una herramienta Python de código abierto que utiliza IA para interpretar la estructura PDF y generar Markdown limpio, manejando encabezados, tablas y bloques de código mejor que los convertidores más antiguos basados en reglas. MathPix Snip es otra opción, particularmente buena para PDFs académicos con ecuaciones.
Para documentos más simples, herramientas en línea como PDF2MD ofrecen conversión basada en navegador sin necesidad de instalación. Cargue el PDF, descargue el archivo .md y limpie el resultado en un editor de texto. La calidad varía según la complejidad del documento: pruebe el resultado en una vista previa de Markdown para ver cómo se representa antes de invertir tiempo en la limpieza.
Manejo de PDFs escaneados
Los PDFs escaneados necesitan OCR antes de que pueda realizarse cualquier conversión de texto. Ejecute el archivo a través de una herramienta OCR PDF para crear una versión con una capa de texto incrustada y luego aplique uno de los métodos de conversión anteriores. Sin OCR, las herramientas de conversión ven una imagen y no producen nada o no producen resultados confusos.
Después del OCR, una conversión de PDF a Word seguida de Pandoc tiende a brindar mejores resultados de Markdown a partir de documentos escaneados que las herramientas directas de PDF a Markdown, porque el paso intermedio de Word le brinda al convertidor una entrada más limpia y estructurada con la que trabajar.
Qué esperar del resultado
Ninguna conversión de PDF a Markdown produce un archivo perfecto y listo para usar. Espere dedicar algo de tiempo a la limpieza: eliminar encabezados y pies de página que aparecen a mitad del documento, corregir niveles de encabezado que no se detectaron correctamente, reformatear las tablas que aparecieron como texto desalineado y eliminar artefactos del proceso de conversión.
Para documentos largos, la inversión de tiempo sigue siendo mucho menor que volver a escribir el contenido desde cero. Para documentos cortos (unas pocas páginas), puede ser más rápido pegar el texto directamente desde el visor PDF y agregar el formato Markdown manualmente.