PDF 转 Markdown：原理及在 AI 场景中的使用方法
将 PDF 转换为 Markdown 可以保留文档结构，同时生成一种远比原始 PDF 文本更便宜地提供给 AI 工具使用的格式。
AI 工作流为何需要 Markdown
语言模型和检索系统读取纯文本比读取 PDF 更可靠，因为 PDF 文本提取可能打乱阅读顺序并混入版式伪影。Markdown 将标题、列表和表格保留为可识别的结构，这有助于模型理解哪些文字是标题、哪些是图片说明、哪些是段落。相较于充满间距和版式噪音的等量 PDF 文本转储，纯 Markdown 使用的 token 也更少，这对聊天和检索流水线中的成本与上下文限制都很重要。
哪些内容转换效果好
标准的商业和学术文档转换得很干净。标题会根据字体大小和粗细被检测出来，段落保持完整,项目符号和编号列表保留其结构，表格则会转换为可以在 Markdown 阅读器中直接渲染的管道表格。
哪些内容转换效果不好
多栏版式和浮动侧栏可能会以与人类阅读页面方式不符的顺序出现，因为转换遵循的是底层文本流而不是视觉分栏。这通常需要事后进行简短的人工修正。PDF 内的图片不会嵌入到 Markdown 输出中，因此如果图形对你的使用场景很重要，需要单独处理。
扫描版 PDF 与 OCR
当 PDF 没有可用的文本层，或文本层损坏时，PDF 转 Markdown会自动回退到 OCR，先提取文本再构建 Markdown 结构。扫描页面上的识别质量取决于扫描件本身，关于如何获得更清晰的扫描件的技巧，请参阅OCR 指南。
表格
在源 PDF 中检测到的表格会渲染为 GitHub 风格的管道表格。带有合并单元格或嵌套表格的复杂表格可能无法完全映射到管道表格支持的扁平网格上，因此在依赖任何转换后的表格之前请先检查一下。
一套干净的工作流程
- 使用PDF 转 Markdown转换 PDF，或者对于扫描文档使用扫描转 Markdown。
- 使用Markdown 编辑器检查结构并修正阅读顺序问题。
- 运行Markdown Lint，在语法错误到达下游工具之前捕获它们。
- 对于较长的文档，使用Markdown TOC添加目录。
- 使用Markdown 转 PDF导出清理后的文档以便分享，或者将其保留为纯 Markdown 用于 AI 使用。
使用输出结果
将转换后的 Markdown 直接粘贴到聊天助手中，将文件放入笔记工具中，或将其提交到 Obsidian 笔记库或 GitHub 文档文件夹中，因为这些工具都能原生读取 Markdown。将文件保留为 Markdown 而不是 PDF，也让在版本控制中比较改动变得更容易。
局限性与替代方案
如果目标只是完全没有结构的原始文本，PDF 转文本更简单，也能避免任何重新排版带来的副作用。如果目标是要在文字处理软件中手动编辑的可编辑文档,PDF 转 Word比 Markdown 更逐字地保留版式。当目标是 AI 工具、笔记应用，或受益于轻量结构的纯文本文档系统时，转换为 Markdown 特别合适。对于必须与原件像素级一致的文档，例如已签署的合同或固定版式的表单，转换为 Markdown 完全不合适，因为 Markdown 在设计上会舍弃精确的位置信息。