我是怎么把 PDF 转成 Markdown 的（以及要小心什么）

把我自己的工作流写下来，下次有人问，我直接发链接就行。

下面先讲常用情况（普通 PDF，最快路径），再讲会遇到的几个坑：扫描 PDF、双栏排版、表格炸掉、还有几个我学到的清理小技巧。

最快路径

九成的 PDF 都是"正常"的——别人在 Word 或 LaTeX 里写完导出，文字能选中。这种情况：

1. 浏览器开 PDF2MD。
2. 把文件（或者一次二十个）拖进页面。
3. 等。50 页论文大概 4 秒，300 页报告可能要一分钟。
4. 复制结果，或者批量的话点 "Download all as ZIP"。

完了。我每天要做好几次，要么是 API 文档要喂给 Claude Code，要么是调研资料要进 Obsidian。

之所以这么���，是因为整个过程在浏览器里靠 PDF.js 跑。没有上传、没有服务器排队、不用等谁的 API 醒来。代价是大批量任务会瞬间吃掉你的 CPU——五十个文件批量转，我会启动后切到别的标签页等。

最快路径搞不定：扫描版 PDF

"为什么转出来是空的"，最常见的原因是扫描版。打开 PDF 试着用鼠标选一句话，选不中，就说明文件里没有真文字，是图。PDF2MD 没有 OCR，所以输出一个空 Markdown 文件，或者几行空白。

两条路：

• 先 OCR，再转。 Mac 上用 Preview 的"识别文字"（Tools → Recognise Text）重存一份，或者用自带 OCR 的 Marker。然后 PDF2MD 就能正常处理。
• 少数情况付钱。 一份扫描版孤本、不想装东西，Nanonets 或 Adobe 都能 OCR + 转换。涉及敏感内容我不会走这条路。

一眼判断：在阅读器里能选中文字就是原生 PDF，选不中就是扫描版。

双栏排版

学术论���和大部分设计杂志用双栏或三栏。PDF 里的文字是按绝对坐标定位的，意思是粗暴的提取器会横着读："左栏第一句、右栏第一句、左栏第二句……"——根本读不通。

PDF2MD 会尝试识别栏间空隙，按列读。大部分时候管用，但你看到双栏 PDF 输出乱序，就是这里出了问题。两个绕开办法：

• 一页一页转，再拼起来。有时候列检测在某一页翻车，其它页正常。
• 这份文档干脆切到 Marker。它的版面模型识别栏更稳。

表格转坏了

这是我收到最多的吐槽。原因前面讲过：PDF 里的表格不是真的"表格"，没有"这是单元格"的元信息，全靠转换器猜。

我自己的修复流程：

1. 转完先看一眼。如果结构对、只是对齐难看，不用管——Markdown 渲染器不在乎表格里的空格对齐。
2. 如果出现单元格被并到不同行，回去看原 PDF，检查那个单元格内容是不是换了行。换行最容易让提取器翻车。最快的修法是手动重打那一行。
3. 整张表全没了，就直接从 PDF 里框选表格区域，复制粘贴到支持"从剪贴板导入表格"的 Markdown 编辑器（Obsidian 加插件，或者 Typora）。剪贴板有时候能保留结构。

我已经放弃指望任何工具完美还原表格。这是 PDF 解析里至今没解决的部分。

我的清理流程

不管用哪个工具，转完我都会花 60 秒清理：

• 把连续三个以上空行替换成两个，整理空行节奏。
• 看一眼标题层级。原文 H1 转出来变 H3，或者反过来，时有发生，手工调一下。
• 删页码。PDF 经常每页带"Page 12 of 47"这种页眉，转换器照单全收。我习惯 grep 出来删掉。
• 检查连字。某些 PDF 把"fi""fl"编码成单个 Unicode 字符（fi、fl），不同转换器要么把它们留在输出里，要么直接吃掉。PDF2MD 会自动归一化，用别的工具就要顺手 grep 一下。

几个具体场景

进 Claude Code 或别的大模型。 Markdown 是对的格式。Claude 在 Markdown 里读结构比读纯文本或 HTML 都强。我贴 API 文档前先用 PDF2MD 转一遍，写出来的代码质量肉眼可见好。一个小 tip：如果 PDF 开头有一大堆目录，贴之前删掉，省 token、信息量为零。

Obsidian / Logseq 笔记。 原生支持 Markdown，没什么要折腾的。注意 wikilink：PDF2MD 输出的是标准 Markdown 链接，要双方括号 [[]] 风格的话顺手 find-replace 一下。

GitHub README 和 wiki。 也是原生 Markdown，但 GitHub Flavored Markdown 略不同。表格、代码块都没问题。唯一会废的是数学公式——如果你的 PDF 有方程要在 GitHub 上渲染，得过一道 KaTeX。

贴进 Notion。 Notion 接受 Markdown 粘贴，但会自作主张做一些重格式化。标题、表格能保留，链接格式偶尔会怪。基本能用，我贴完会扫一眼。

什么时候放弃转换器

有时候源 PDF 本身就烂。自动生成的表单、老扫描书、定位歪掉的演示文稿导出。一年下来我学会了识别气味——同一份文件让两个不同的转换器都吐出"不一样但同样烂"的结果，就是它了。这种情况下我要么手打需要的那部分（通常就一两页），要么找原文——大部分论文 arXiv 上有 LaTeX，大部分政府报告有 HTML 版，大部分产品文档有官网。PDF 很少是唯一形式。

工作流就这么些。如果你撞到 PDF2MD 处理得有意思的烂 PDF，发到 [email protected]，我收着。

最后更新：2026 年 3 月 19 日