PDF 转 Markdown,只取文字层
拖进来,拿到能直接编辑的 Markdown。段落、标题、列表按版面位置重建;表格列能对齐就重建成 md 表格,对不齐就保留成文字行。扫描件没有文字层,会当场告诉你,不会给你一个空文件。PDF 不出这台设备。
第一次转 PDF 要下载约 1.7 MB 的解析器(主件 460 KB + worker 1.2 MB,gzip 合计约 500 KB),之后走浏览器缓存。首屏不会加载它。
四个必须说清的限制
- PDF 没有「段落」这个概念
- PDF 里只记录「在坐标 (x, y) 画这串字」,没有段落、标题、列表这些语义。所以这里的还原全是猜:靠字号猜标题,靠行距和左边距猜段落,靠列对齐猜表格。猜错的地方会写进报告,不会假装没发生。
- 扫描件转不了
- 整页是图片的 PDF(扫描仪、拍照、以及很多合同电子签)没有文字层,取出来是空的。这种情况会直接拦住并说明原因——要转得先做 OCR,那是另一件事,这里不做。
- 表格只重建对得齐的
- 列起点能对齐、连续两行以上的,重建成 Markdown 表格;对不齐(合并单元格、斜线表头、跨页表格)就退化成一行行文字,并在报告里写清楚。宁可退化,也不编造一个错位的表。
- 图片、公式、脚注不取
- PDF 里的图片是独立对象,Markdown 里只能用相对路径引用,取出来是一堆断链;公式多由字形拼成,转出来是乱码;脚注在 PDF 里常是页面底部的孤立文字。这三类一律不转,转完的报告里会写明。图里的文字会被当正文取出来,但分不清它是正文还是图上的标注——放大的坐标轴字可能被当成标题。
常见问题
扫描件、拍照的 PDF 能转吗
不能,这类文件里没有文字,只有一张张图。程序取不到字,会直接告诉你「没有文字层」并停下,不会交给你一个空文件让你以为转成功了。想转得先做 OCR(把图认成文字),这一步这里不做——它要么慢,要么要上传,两条都跟这个站的原则冲突。
为什么有的段落被断成了两半
因为 PDF 里没有段落,只有坐标。判断「这一行是不是上一段的延续」靠两件事:上一行有没有写满、下一行有没有缩进。跨栏和跨页的断点另外接了一次——上一栏最后一行要是没写标点,就认定这句话还没说完,把它和下一栏开头接回去。
还会有断的:上一段正好停在引号里、公式中间,或者中间隔着插图。看到半句接不上,md 里把中间那个空行删掉就行。
表格转出来是乱的怎么办
说明列没对齐,已经退化成一行行文字了——至少内容没丢。要表格的话,两条路:一是在原 PDF 里确认它是真表格(不是空格排出来的假表格);二是把那段文字手工整理成 md 表格,或者用 Word → Markdown:Word 里的真表格有单元格结构,识别率高得多。
标题层级是怎么判断的
先看字号:比正文大一号的就是标题,整篇按字号从大到小排成 # 到 ####——层级是整篇一起算的,不会因为翻页重新数一遍。字号只有一种的文档(很多网页打印件、老排版文件),退而看「短行 + 上方留白更大」。
两条会漏、一条会错:pdf.js 拿不到字体名,所以「同字号加粗」的小标题会漏(漏了就是普通段落,内容还在,只是少个 #);连着三行以上的大字号段落不当标题;而图里的放大字(坐标轴、示意图文字)会错认成标题——它字号确实更大。
我的 PDF 会被传走吗
不会。解析、重排、生成 Markdown 全在浏览器里完成,没有任何一条请求带着你的文件。
唯一的例外是解析器本身:pdf.js 要下载一次(约 1.7 MB,gzip 传输约 500 KB),所以第一次用需要联网;下过一次就进了缓存,之后拔网线也能转。
页码和页眉页脚去哪了
被去掉了。判断依据是「同一行字在多页的同一位置反复出现」,以及纯数字的行。页码留在正文里,粘进笔记每几行就跳出来一个数字,比没有更麻烦。需要保留原始页码位置的话,把上方「分页」选成「保留」,会在每页开头插一行 <!-- 第 N 页 --> 注释。