帮助中心

真的。PDF 在你浏览器里被 PDF.js 解析。没有上传环节。打开浏览器开发者工具的 Network 面板,转换文件时你会看到页面本身的请求,但不会看到任何携带你文件的请求。页面加载完之后,你甚至可以断网,转换照样能跑。

几乎肯定是扫描版 PDF。试着在原 PDF 里用鼠标选一句话,选不中就说明文件里没有真文字,只是图片,而 PDF2MD 没有 OCR。Mac 上用 Preview 的「识别文字」重存一份,或者用自带 OCR 的 Marker 跑一遍,然后再来。

PDF 里的表格不是真表格,只是定位在网格里的文字,没有「这是单元格」的元信息。所有转换器都得猜。最常见的失败是单元格里的文字换了行,被读成两行。如果结构很重要,我的修法是手动重打那一行。博客里有一篇专门讲为什么。

没有硬性大小上限,因为处理在本地,极限取决于你电脑的内存。我转过 200 页的文档,没问题。批量上限设在 100 个文件,要更多就分两次。整个服务免费,不用注册。

从 Word、Pages、LaTeX 或者任何数字源导出的 PDF。如果你能在阅读器里选中文字,PDF2MD 就能处理。多栏学术论文大部分能转,偶尔会乱;乱的话切到 Marker 跑那一份。

行内公式偶尔能保留。展示型公式通常保不住,因为它们在 PDF 里就是定位过的字符,没有语义结构。需要保留数学的话,源材料一般有 LaTeX 版本(arXiv 论文基本都有),从 LaTeX 出发比从 PDF 出发好得多。

需要密码才能打开的 PDF,PDF.js 不带密码读不了。先在你常用的 PDF 阅读器里解锁(用密码打开后另存一份不带密码的),再把解锁后的副本扔进 PDF2MD。

能。把文件夹拖进页面,或者文件选择器里多选。转完点「Download all as ZIP」一次性拿走。我每周用调研文件夹这么干好几次。

目前不会——PDF2MD 只输出纯文本 Markdown。如果你的 PDF 里有图,需要的话得另外提取(大部分 PDF 阅读器允许右键保存图片)。图片导出在我的 todo 上,但还没做。

页面加载完之后能。PDF 解析引擎随页面一起加载下来。你可以断网继续转。想要彻底离线,可以把页面装成 PWA——大多数现代浏览器会在地址栏给你装的入口。

近两年内的 Chrome、Firefox、Safari、Edge 都没问题。IE 不支持,以后也不会。

有些 PDF 每页都有「Page 12 of 47」之类的页眉。从转换器角度,这就是普通文字,会照单收下。最简单的修法是转完后做一次替换,我一般 grep 「Page \d」 删掉。

代码库在 github.com/littleben/pdf2md。Issue 和 PR 都欢迎。要在自己服务器上托管转换器界面(比如做内部工具),项目体量很小,自托管不难。

可以在 GitHub 开 issue,或者发邮件到 [email protected] 把 PDF 附上(如果方便分享)。我留着一个「病例文件夹」用来测改进。能复现的坏 PDF 是我收到最有用的 bug 报告。