PDF 转 Markdown vs HTML vs 纯文本

第一次我要转一摞 PDF 给项目用，选了纯文本，因为看起来最简单。三天后我发现标题层级丢了，表格一团糟，章节断点找不到了。整个重做了一遍 Markdown，再没回头。

这是我现在思考这三种格式的方式，以及不同场景我会选哪个。

短版本

• 纯文本：只在目标系统死活不接受任何格式时用（一些老系统，一些 grep 流水线）。
• Markdown：默认选项——笔记、喂大模型、草稿、版本控制里的文档。
• HTML：当文档要在浏览器里作为最终形态渲染、特别是带图、带样式、带交互的。

我自己的两件事——把 API 文档喂 Claude Code、把调研资料整理成笔记——Markdown 几乎都赢。

三种格式各自保留什么

PDF 里有：文字、（隐式的）结构、表格、图片、样式。三种格式各自保留不同子集：

纯文本只保留文字。仅此而已。标题塌成普通句子，表格压成空格分隔的值，图片消失，链接要么变成括号里的裸 URL 要么直接丢失。阅读顺序保留——这是它唯一的优点。

Markdown 保留文字、标题（井号）、基本结构（段落、列表、引用）、表格（管道符）、代码块、链接、强调（粗体/斜体）。它不内嵌图片数据——图片变成对图片文件的链接。它不保留页码、字体、绝对定位——通常这正是你想要的。

HTML 基本上保留 Markdown 能保留的一切，外加更复杂的结构（自定义类、嵌套元素、内嵌样式、内嵌脚本、base64 内嵌图片）。代价是冗长。如果转换器不细心，一页文字能膨胀成 HTML 的十倍体积。

一个小例子

API 文档里一小段，三种格式各看一下：

纯��本会失去章节、失去 "Authorization" 是代码、失去代码块。你只剩下挤在一起的句子，例子和正文糊在一块。

Markdown 给你一个标题、一段正文、一个围栏代码块、一处行内代码。源码大概六行，全部都人能直接读。

HTML 给你同样的逻辑结构，但用标签：一个 h2、一个 p、一个 pre 包着 code，内容嵌在标签里。

三种贴进 Claude 问"我应该发什么 header"，大概率都能答对。但 Markdown 和 HTML 版本能给出更结构化的回答，因为模型有标题层级当地图。

我什么时候选 Markdown

• 喂大模型。 Claude、GPT、Gemini 都把 Markdown 结构当导航。标题给模型一张地图。能不喂纯文本或 PDF 我就不喂。
• 笔记和调研。 Obsidian、Logseq、大部分笔记工具原生 Markdown。这格式能跟着我的笔记走很多年。
• 文档站。 Docusaurus、MkDocs、Astro 都用 Markdown 构建。源是 PDF、目标是文档站，直接转 Markdown 最直。
• diff 友好的存储。 Markdown 在 Git 里活得很好。变更逐行可读，code review 顺。PDF 和 HTML 的 diff 都很丑。
• 裸读。 Markdown 不渲染也能读。HTML 不行。

我什么时候选 HTML

• 最终是网页形态。 输出要作为网页用，内嵌样式重要。Markdown 能渲染成 HTML，但如果设计本身是重点，直接走 HTML 控制力更强。
• 邮件。 邮件客户端渲染 HTML，不是 Markdown。
• 图文混排的文档。 图和文要按特定方式流动的页面，HTML 更自然。
• 要交互。 任何超出静态文字的东西，得 HTML。

我什么时候选纯文本

老实说几乎不选。用过的几次：

• 管道给 Unix 工具（grep、awk），格式只是噪音。
• 贴进会自动剥格式的系统，比如短信、老式工单表单。
• 快速肉眼检查，只要看字、不在乎别的。

其它情况，Markdown ��严格的升级——忽略符号就是纯文本，不忽略就保留结构。

不管转什么都会丢的东西

有些东西从 PDF 转出来，不管走哪条路都会丢。页码和页眉（好——通常你不想要）。字体和精确间距（好——这些是表现，不是内容）。脚注锚点（看情况——Markdown 支持脚注但很多转换器不保留链接）。水印和批注（看工具）。

我已经放弃指望任何转换有完美的保真度。目标是"我能继续工作的干净版本"，不是"原版面忠实重现"。要版面我就留着原 PDF。

我自己的工作流

回到最常做的两件事：

API 文档进 Claude Code。 PDF → PDF2MD 转 Markdown → 手工裁无关章节 → 贴。Markdown 是工作格式。PDF 用完就扔。

调研资料进 Obsidian。 混合 PDF、网页、Word→Markdown（PDF 用 PDF2MD、Word 用 Pandoc、网页用浏览器扩展存为 Markdown）→ 丢进选题文件夹。一个格式意味着我能 grep、能链、能引，不用切上下文。

如果你要给一摞 PDF 选格式、又没有特别的理由倾向其它选项，Markdown 是默认正确答案。

最后更新：2026 年 5 月 1 日