Преобразование PDF в Markdown полезно, если вы хотите перенести содержимое документа в приложение для заметок, генератор статических сайтов, вики GitHub или любую другую систему, которая использует Markdown в качестве собственного формата. Преобразование не является идеальным — PDF и Markdown представляют контент совершенно по-разному, — но для документов с большим количеством текста результаты часто достаточно хороши для работы.
Почему PDF в Markdown сложнее, чем PDF в Word
PDF и Markdown находятся на противоположных концах спектра документов. PDF — это формат с фиксированным макетом, который сохраняет точное расположение каждого элемента. Markdown — это формат обычного текста, который использует простые символы для обозначения структуры — заголовки, жирный шрифт, списки — без понятия макета страницы. Преобразование между ними означает, что инструмент должен интерпретировать визуальную структуру PDF и переводить ее в семантические символы Markdown, что сложнее, чем кажется.
Макеты с несколькими колонками, сноски, боковые панели, верхние и нижние колонтитулы — все это вызывает головную боль. Преобразование работает лучше всего в документах с одним столбцом, с четкой иерархией заголовков и простым форматированием.
Метод 1: сначала конвертируйте PDF в Word, затем в Markdown
Надежный двухэтапный подход — сначала преобразовать PDF в Word, а затем преобразовать документ Word в Markdown. Используйте инструмент PDF to Word от WukongPDF, чтобы получить файл .docx, а затем используйте такой инструмент, как Pandoc или Word-to-Markdown (w2m), чтобы преобразовать .docx в формат .md. Pandoc бесплатен, запускается из командной строки и хорошо обрабатывает преобразование .docx в Markdown.
Команда в Pandoc проста: pandoc input.docx -o output.md. Pandoc сопоставляет стили заголовков Word с уровнями заголовков Markdown, преобразует форматирование полужирным и курсивом и обрабатывает списки и таблицы. Вывод требует некоторой очистки, но обычно является хорошей отправной точкой.
Метод 2: используйте прямой PDF для инструмента Markdown
Некоторые инструменты пытаются выполнить прямое преобразование PDF в Markdown. Marker — это инструмент Python с открытым исходным кодом, который использует искусственный интеллект для интерпретации структуры PDF и вывода чистой Markdown, обрабатывая заголовки, таблицы и блоки кода лучше, чем старые преобразователи на основе правил. MathPix Snip — еще один вариант, особенно подходящий для академических PDF-файлов с уравнениями.
Для более простых документов онлайн-инструменты, такие как PDF2MD, предлагают преобразование через браузер без какой-либо установки. Загрузите PDF, загрузите файл .md и очистите выходные данные в текстовом редакторе. Качество зависит от сложности документа — попробуйте результат в средстве предварительного просмотра Markdown, чтобы увидеть, как он отображается, прежде чем тратить время на очистку.
Обработка отсканированных PDFs
Отсканированные файлы PDF нуждаются в распознавании текста, прежде чем произойдет преобразование текста. Запустите файл с помощью инструмента OCR PDF, чтобы создать версию со встроенным текстовым слоем, а затем примените один из описанных выше методов преобразования. Без OCR инструменты преобразования видят изображение и либо ничего не выдают, либо выдают искаженный результат.
После OCR преобразование PDF в Word с последующим Pandoc имеет тенденцию давать лучший вывод Markdown из отсканированных документов, чем прямые инструменты преобразования PDF в Markdown, поскольку промежуточный этап Word дает конвертеру более чистый и структурированный ввод для работы.
Чего ожидать от выходных данных
Никакое преобразование PDF в Markdown не позволяет получить идеальный, готовый к использованию файл. Будьте готовы потратить некоторое время на очистку: удаление верхних и нижних колонтитулов страниц, которые появляются в середине документа, исправление уровней заголовков, которые были обнаружены неправильно, переформатирование таблиц, которые выглядели как невыровненный текст, и удаление артефактов в процессе преобразования.
Для длинных документов затраты времени все равно намного меньше, чем перепечатка содержимого с нуля. Для коротких документов (несколько страниц) может быть быстрее вставить текст непосредственно из средства просмотра PDF и добавить форматирование Markdown вручную.