Het converteren van een PDF naar Markdown is handig als u documentinhoud wilt overbrengen naar een notities-app, een statische sitegenerator, een GitHub-wiki of een ander systeem dat Markdown als het oorspronkelijke formaat gebruikt. De conversie is niet perfect – PDFs en Markdown vertegenwoordigen de inhoud heel anders – maar voor documenten met veel tekst zijn de resultaten vaak goed genoeg om mee te werken.
Waarom PDF naar Markdown lastiger is dan PDF naar Word
PDF en Markdown bevinden zich aan de tegenovergestelde uiteinden van het documentspectrum. PDF is een indeling met een vaste lay-out die de exacte positionering van elk element behoudt. Markdown is een indeling voor platte tekst die gebruikmaakt van eenvoudige symbolen om de structuur aan te geven (koppen, vetgedrukt, lijsten) zonder concept van pagina-indeling. Als u ertussen converteert, moet de tool de visuele structuur van een PDF interpreteren en deze vertalen in semantische Markdown-symbolen, wat moeilijker is dan het klinkt.
Lay-outs met meerdere kolommen, voetnoten, zijbalken, kop- en voetteksten veroorzaken allemaal hoofdpijn. De conversie werkt het schoonst bij documenten met één kolom, met een duidelijke kophiërarchie en eenvoudige opmaak.
Methode 1: Converteer PDF eerst naar Word en vervolgens naar Markdown
Een betrouwbare aanpak in twee stappen is om eerst de PDF naar Word te converteren en vervolgens het Word-document naar Markdown te converteren. Gebruik de tool PDF naar Word van WukongPDF om een .docx-bestand te verkrijgen en gebruik vervolgens een tool zoals Pandoc of Word-to-Markdown (w2m) om de .docx naar .md-indeling te converteren. Pandoc is gratis, werkt vanaf de opdrachtregel en verwerkt de conversie van .docx naar Markdown goed.
Het commando in Pandoc is eenvoudig: pandoc input.docx -o output.md. Pandoc wijst de kopstijlen van Word toe aan Markdown-kopniveaus, converteert vetgedrukte en cursieve opmaak en verwerkt lijsten en tabellen. De uitvoer vereist enige opruiming, maar is meestal een solide startpunt.
Methode 2: Gebruik een directe PDF naar Markdown Tool
Verschillende tools proberen directe conversie van PDF naar Markdown. Marker is een open source Python-tool die AI gebruikt om de PDF-structuur te interpreteren en schone Markdown uit te voeren, waarbij kopteksten, tabellen en codeblokken beter worden verwerkt dan oudere, op regels gebaseerde converters. MathPix Snip is een andere optie, vooral goed voor academische PDFs met vergelijkingen.
Voor eenvoudigere documenten bieden online tools zoals PDF2MD browsergebaseerde conversie zonder enige installatie. Upload de PDF, download het MD-bestand en ruim de uitvoer op in een teksteditor. De kwaliteit varieert afhankelijk van de complexiteit van het document. Probeer de uitvoer in een Markdown-previewer om te zien hoe deze wordt weergegeven voordat u tijd investeert in het opruimen.
Behandeling van gescande PDFs
Gescande PDFs hebben OCR nodig voordat tekstconversie kan plaatsvinden. Voer het bestand door een OCR PDF-tool om een versie met een ingesloten tekstlaag te maken en pas vervolgens een van de bovenstaande conversiemethoden toe. Zonder OCR zien conversietools een afbeelding en produceren ze niets of een vervormde uitvoer.
Na OCR levert een conversie van PDF naar Word, gevolgd door Pandoc, betere Markdown-uitvoer op van gescande documenten dan directe PDF-naar-Markdown-tools, omdat de tussenliggende Word-stap de converter schonere, meer gestructureerde invoer geeft om mee te werken.
Wat u kunt verwachten van de uitvoer
Geen enkele conversie van PDF naar Markdown levert een perfect, gebruiksklaar bestand op. Verwacht wat tijd te besteden aan het opruimen: het verwijderen van kop- en voetteksten van pagina's die midden in het document verschijnen, het corrigeren van kopniveaus die niet correct zijn gedetecteerd, het opnieuw formatteren van tabellen die als verkeerd uitgelijnde tekst zijn weergegeven, en het verwijderen van artefacten uit het conversieproces.
Voor lange documenten is de tijdsinvestering nog steeds veel kleiner dan het opnieuw typen van de inhoud. Voor korte documenten (een paar pagina's) kan het sneller zijn om de tekst rechtstreeks vanuit de PDF-viewer te plakken en de Markdown-opmaak handmatig toe te voegen.