Mehrere PDFs auf einmal in Markdown umwandeln

Die Methode nach Menge wählen

Der richtige Weg hängt weniger von den PDFs ab als davon, wie viele es sind und wie oft die Aufgabe wiederkommt. Als grobe Orientierung:

• Eine Handvoll bis ein paar Dutzend, einmalig: eine Stapel-Seite im Browser. Nichts zu installieren, und die Dateien bleiben auf deinem Rechner.
• Hunderte, oder jede Woche: eine Python-Schleife über einen Ordner. Du kannst sie planen, protokollieren und die Ordnerstruktur behalten.
• Scans, Formulare, Formeln, ungewöhnliche Layouts: ein modellbasiertes Tool wie marker. Auf einem normalen Laptop ist es deutlich langsamer. Es ist dafür gebaut, Seiten ohne Textebene per OCR zu lesen, in unserem CPU-Lauf blieb unsere gescannte Seite aber trotzdem leer; teste also zuerst ein paar Dateien.

Für einen fairen Vergleich der drei Wege haben wir einen Testsatz aus 20 Dateien mit 40 Seiten verwendet: zwölf Tabellen- und Layoutbeispiele, einen englischen Leitfaden, einen 11-seitigen chinesischen Bericht, einen 4-seitigen Bericht mit laufenden Kopfzeilen, eine gescannte Seite ohne Textebene und zwei verschiedene Dateien, die beide notes.pdf heißen und in zwei Ordnern liegen. Alles lief auf unserem Build-Rechner (Linux x86_64, 8 vCPU, 16 GB RAM, no GPU).

Mehrere PDFs im Browser in Markdown umwandeln

Öffne vorher zwei oder drei der PDFs und versuch, einen Satz zu markieren. Lässt sich der Text markieren, hat die Datei eine Textebene, und jede der Methoden unten funktioniert. Lässt sich nichts markieren, ist die Datei ein Scan oder ein Bild, und nur ein OCR-Tool holt Wörter heraus. Wer die Mischung vorher kennt, spart sich einen zweiten Durchlauf.

Öffne die Stapel-Seite, klicke auf Dateien wählen (oder zieh eine Auswahl auf die Ablagefläche) und wähle alle PDFs auf einmal. Jede Datei wird im Tab umgewandelt, eine nach der anderen, und die Seite bietet eine einzige ZIP mit je einer .md pro PDF an. Weil die Arbeit lokal passiert, hängt das Tempo von deinem Rechner ab, nicht von einem Upload. So wandelst du mehrere PDFs am schnellsten auf einmal in Markdown um, wenn sie alle auf einem Rechner liegen.

In unseren Tests dauerte der ganze Satz, von der Dateiauswahl bis zur fertigen ZIP, etwa 0,8 Sekunden in Chrome 155.0.8059.84 (drei Läufe, zwischen 0,8 und 1,0 Sekunden). Die ZIP enthielt 20 Markdown-Dateien. Die beiden notes.pdf kamen als notes.md und notes-2.md heraus, keine überschrieb die andere, und die gescannte Seite wurde in der Liste markiert, statt still zu scheitern.

Die Grenzen: Ein Browser kann von sich aus keinen Ordnerbaum lesen, Dateien aus mehreren Ordnern landen also nebeneinander in einer ZIP, und sehr große Mengen begrenzt der Arbeitsspeicher des Tabs. Für ein paar Hundert Dateien teilst du die Auswahl in Runden oder wechselst zu einem Skript.

Eine Python-Schleife mit pymupdf4llm

Ein Python-Skript für diese Aufgabe braucht nur ein paar Zeilen. Dieses wandelt einen Ordner voller PDFs in Markdown um: Es läuft durch den Ordner, behält in der Ausgabe dieselbe Struktur (die beiden notes-Dateien bleiben also getrennt) und macht weiter, wenn eine Datei scheitert:

import pathlib, pymupdf4llm

src, out = pathlib.Path("pdfs"), pathlib.Path("markdown")
for pdf in sorted(src.rglob("*.pdf")):
    dest = out / pdf.relative_to(src).with_suffix(".md")
    dest.parent.mkdir(parents=True, exist_ok=True)
    try:
        dest.write_text(pymupdf4llm.to_markdown(str(pdf)), encoding="utf-8")
    except Exception as e:
        print(f"skipped {pdf}: {e}")

Mit denselben 20 Dateien war die Schleife in unseren Tests nach 5,3 Sekunden fertig, einschließlich Python-Start und Import der Bibliothek. Sie schrieb 20 Dateien. Zwei davon waren leer: die gescannte Seite, die keinen lesbaren Text hat, und eine Seite mit einer um 90 Grad gedrehten Tabelle. Für Tausende Dateien kann dieselbe Schleife in einem Prozess-Pool laufen, ein Worker pro CPU-Kern, denn jede Datei ist unabhängig. Unser Python-Ratgeber behandelt die Optionen für Tabellen und Seitenbereiche, und der Bibliotheksvergleich zeigt, wie pymupdf4llm gegen zwei Alternativen abschneidet.

Der Ordnerbefehl von marker

marker hat einen Befehl für einen ganzen Ordner: marker /path/to/pdfs --output_dir out. Er liest nur die oberste Ebene des Ordners (das Skript listet sie mit os.listdir), deshalb haben wir unsere Dateien vorher in einen flachen Ordner kopiert. Nützliche Optionen sind --workers für parallele Prozesse, --skip_existing, um einen unterbrochenen Lauf fortzusetzen, und --max_files für einen Probelauf.

Mit Standardeinstellungen auf unserem Rechner ohne GPU brauchte der Ordner in unseren Tests 5 min 51 s, einschließlich Laden der Modelle, und schrieb 20 Ausgaben. Das ist ungefähr 66-mal so lang wie die Python-Schleife. Die gedrehte Tabelle hat es gerettet, allerdings doppelt geschrieben, und für die gescannte Seite lieferte es in unserem Lauf trotzdem eine leere Datei. Auf einem Rechner mit unterstützter GPU sieht das anders aus; auf einem Laptop nimm marker nur für die Dateien, die es brauchen.

Dateinamen, Duplikate und Ordnerstruktur

• Duplikate: Wenn du viele PDFs auf einmal umwandelst, leg fest, wie mit demselben Dateinamen in zwei Ordnern umgegangen wird. Unsere Stapel-Seite hängt eine Nummer an; die Schleife oben behält die Unterordner; ein naives Skript überschreibt die erste Datei ohne Warnung.
• Struktur: Hat der Ordnerbaum eine Bedeutung (ein Ordner pro Kunde oder pro Jahr), behalte ihn, entweder mit relative_to wie oben oder indem du die Stapel-Seite einmal pro Ordner nutzt.
• Namen: Behalte den Basisnamen der PDF für die .md, dann findest du die Quelle immer wieder. Für bessere Lesbarkeit benennst du später in deiner Notiz-App um.
• Eine ZIP mit Markdown-Dateien ist die einfachste Übergabe an jemand anderen; ein Ordner ist besser, wenn die Ausgabe in ein weiteres Skript geht.

Qualitätsprüfung: gescannte und leere Ausgaben finden

Wer mehrere PDFs in einem Durchgang in Markdown umwandelt, übersieht leicht Probleme, die eine einzelne Datei sofort zeigen würde. Jedes Tool in unserem Test lieferte mindestens eine leere oder fast leere Datei, und keines kann eine unlesbare Seite ohne OCR in Text verwandeln. Such also nach jedem großen Lauf nach Dateien, die zu kurz geraten sind:

# Markdown files under 100 bytes are usually scans or image-only pages
find markdown -name '*.md' -size -100c

Öffne danach ein paar Ausgaben nach dem Zufallsprinzip und vergleiche sie mit den PDFs: Überschriften, eine Tabelle, der letzte Absatz. Willst du die Dateien an ein Chat-Modell schicken, erklärt unser Beitrag zum besten Dokumentformat für ChatGPT, warum sich diese Prüfung für sauberes Markdown lohnt.

Unsere Zeiten mit 20 Dateien

Für die meisten ist das Fazit einfach: Um mehrere PDFs in einem Rutsch in Markdown umzuwandeln, fang im Browser an, skripte es, wenn die Aufgabe wiederkommt, und heb dir das modellbasierte Tool für die Seiten auf, die die anderen nicht lesen können.