PDF 转换为 Markdown 的 5 大工具

有时候写技术文档、整理资料或者做项目说明的时候，我们都遇到过那种“拿到一个大 PDF 文件，却要提取文字、代码块、图片”的尴尬时刻。复制又乱七八糟，格式全跑掉，特别是 Markdown 文件，缩进一错就全崩。那今天我就给大家说说——几个我自己常用的、能把 PDF 转成 Markdown 的好用工具。

1. pdf2md（命令行神器）

这个是我最先用的一个小工具，开源、轻量、用 Python 写的。你要是经常在命令行里混，绝对是首选。安装也特别简单：

pip install pdf2md

用法呢，一行命令就搞定：

pdf2md input.pdf -o output.md

它的优点是——保留段落结构特别好，代码块、标题、粗体这些 Markdown 样式能识别得挺准。就是表格识别还不太稳，有时候需要自己微调一下。

我一般在整理技术报告的时候用它，比如一些算法说明的 PDF，转换完直接丢到 VS Code 里改几下就能提交了。

2. pdfplumber + 自己写点 Python

这个其实算是“DIY 派”的做法。pdfplumber 是一个能解析 PDF 结构的 Python 库，特别适合处理带有表格、图表的文件。你可以自定义提取逻辑，然后按 Markdown 格式输出。

比如：

import pdfplumber
with pdfplumber.open("sample.pdf") as pdf:
    text = ""
for page in pdf.pages:
        text += page.extract_text() + "\n"
with open("output.md", "w", encoding="utf-8") as f:
    f.write(text)

再配合 re 正则稍微处理下标题、列表、代码块，效果就挺不错的。这个方式灵活，适合对结果要求高的人。就是第一次写可能麻烦点，但改完脚本就能一直复用。

3. Pandoc（万能格式转换器）

Pandoc 真的是学术圈和程序员的“瑞士军刀”。不光能 PDF 转 Markdown，还能 Markdown 转 Word、LaTeX、HTML……啥都能转。

直接命令行一行：

pandoc input.pdf -o output.md

不过说实话，它处理 PDF 时的效果不总是完美。原因是 PDF 本身不是结构化的文本格式，Pandoc 是靠解析布局来推断结构。所以有时候标题层级会错、段落合并不太准。

我一般在需要快速批量处理大量 PDF 时才用它，比如写文档迁移的时候，先批量转 Markdown，再手动整理格式。

4. ChatGPT + OCR 方案（智能提取）

这个思路就比较现代了。有些扫描版 PDF（纯图片的那种），上面几个工具都没办法直接提取文字，这时候就得用 OCR 识别。可以先用 pytesseract 把图片识别成文字，再让 GPT 模型帮忙整理成 Markdown 格式。

简单示例：

from PIL import Image
import pytesseract
text = pytesseract.image_to_string(Image.open("page1.png"), lang="chi_sim")
print(text)

识别完的文本可以丢给 ChatGPT（或者 OpenAI 的 API），让它“格式化为 Markdown”，比如保留标题、代码块、列表结构。效果其实相当不错，尤其适合旧文档归档。

5. Typora + CopyPaste Magic

最后一个其实是“笨办法”，但在一些情况下还挺管用的。就是用 Typora 打开一个空白文档，把 PDF 的内容直接复制进去——它会自动识别 Markdown 样式，比如加粗、标题、列表。尤其是格式比较规整的技术文档，效果会超出预期。

缺点也明显：批量处理不现实，图片、表格容易丢。不过要是偶尔转个 10 页以内的 PDF，这方法真的是最省事。

其实 PDF 转 Markdown 这事儿，没啥完美方案。PDF 天生不适合被“反解析”，所以所有的工具都是在“猜”。如果只是要提取文字、保留基础格式，pdf2md 或 Pandoc 就够了；要精准提取结构、表格，就得靠 pdfplumber 或 OCR+AI 的方案。

有时候我自己也会混着用，比如：

• 先用 pdf2md 转 Markdown；
• 再用 GPT 帮我润色和修正 Markdown 格式；
• 最后在 Typora 里打开，调一调图片和标题。

就这样，一份干净的 Markdown 文档就出来了。

如果你经常写技术博客、做项目文档，强烈建议把上面这几种方法都试一遍，慢慢会形成自己的一套最顺手的工作流。 毕竟，文档漂亮一点，老板看着都舒服 😄