Online konvertor PDF do MD zdarma

Markdown je užitečný, když je třeba obsah PDF upravovat v code editoru, ukládat v documentation repository nebo zpracovávat pomocí static-site generátoru. Převod extrahuje text a strukturu dokumentu do menšího souboru ve formátu plain text s příponou .md.

Co je formát PDF

PDF (Portable Document Format) zachovává rozvržení stránky, fonty, obrázky a nastavení tisku napříč operačními systémy. PDF soubory běžně vytvářejí textové procesory, aplikace pro desktop publishing, scannery, webové prohlížeče a reportingové systémy, takže se objevují ve smlouvách, příručkách, fakturách, akademických pracích a archivovaných záznamech.

PDF ukládá obsah pro vizuální prezentaci, nikoli pro jednoduché sekvenční úpravy. Text může být rozdělen do fragmentů umístěných na konkrétních pozicích a naskenované PDF může obsahovat pouze obrázky stránek bez znaků, které lze označit.

Co je formát MD

MD je obvyklá přípona názvu souboru pro dokument Markdown. Markdown používá znaky plain textu, například # pro nadpisy, - pro seznamy a ** pro zvýraznění; Markdown procesory převádějí tyto značky na HTML nebo jiné výstupní formáty.

Soubory MD dobře fungují v code editorech, Git repozitářích, documentation systémech, static-site generátorech a aplikacích pro psaní poznámek. Jsou malé, prohledávatelné, snadno porovnatelné pomocí diff a snadno upravitelné, ale nezachovávají pevné rozvržení stránky, přesnou typografii ani každý designový prvek PDF.

Jak převést PDF na MD

Pomocí 101convert.com:

1. Otevřete PDF-to-MD converter na 101convert.com.
2. Nahrajte zdrojový soubor .pdf.
3. Jako výstupní formát zvolte MD nebo Markdown a spusťte převod.
4. Stáhněte vygenerovaný soubor .md a otevřete jej v Markdown editoru. Zkontrolujte nadpisy, seznamy, odkazy a oddělení odstavců.

Tato online metoda nevyžaduje instalaci software a je k dispozici zdarma.

Pomocí nástrojů příkazového řádku: U textového PDF extrahujte znaky pomocí pdftotext z Poppleru:

pdftotext -layout input.pdf extracted.txt

Volba -layout se pokouší zachovat sloupce a mezery. Otevřete extracted.txt, podle potřeby přidejte značky nadpisů Markdownu, značky seznamů, odkazy a code fences a poté jej uložte jako output.md. Výsledkem bude čistší výstup, než kdybyste předpokládali, že pdftotext automaticky rozumí struktuře Markdownu.

Pro automatizovaný převod může document parser, například Pandoc, převést intermediate format:

pandoc input.docx -t gfm -o output.md

Pandoc obecně neinterpretuje libovolná PDF jako strukturovaný vstup, takže nejprve exportujte PDF do DOCX nebo HTML pomocí vhodné desktopové aplikace a poté spusťte Pandoc nad tímto intermediate file.

U naskenovaných PDF: před extrakcí spusťte OCR. OCRmyPDF může přidat textovou vrstvu s podporou vyhledávání:

ocrmypdf --deskew input.pdf searchable.pdf

Poté extrahujte obsah ze souboru searchable.pdf pomocí pdftotext. V desktopové PDF aplikaci použijte její OCR command, který se často nachází v nabídce Scan & OCR → Recognize Text, a to před exportem nebo kopírováním obsahu.

Omezení kvality a kompatibility

Převod PDF na Markdown je proces extrakce, nikoli export zachovávající rozvržení. Stránky s více sloupci mohou být načteny v nesprávném pořadí; záhlaví, zápatí, čísla stránek, tabulky, poznámky pod čarou, hypertextové odkazy, rovnice a popisky mohou vyžadovat ruční opravy.

Obrázky je obvykle nutné extrahovat samostatně a v Markdownu na ně odkazovat například pomocí ![Caption](images/figure-1.png). Soubor Markdown nedokáže reprodukovat stránkování PDF, umístění prvků, vložené fonty ani věrnost tisku.

OCR způsobuje chyby znaků, zejména u skenů s nízkým rozlišením, neobvyklých fontů, matematického zápisu a rukou psaného obsahu. Před publikováním nebo archivací převedeného souboru ověřte jména, čísla, URL, hodnoty v tabulkách a právní formulace podle původního PDF.