Convertire PDF in Markdown senza perdere la formattazione

Quale «formattazione» sopravvive in Markdown (e quale no)

Un PDF descrive l'aspetto di una pagina. Il formato, definito nella ISO 32000-2, memorizza glifi in posizioni sulla pagina, insieme a font, linee e immagini. Di per sé non sa che «questo è un titolo», a meno che l'autore non abbia aggiunto dei tag, e la maggior parte dei file in circolazione non ha tag utilizzabili. Markdown è l'opposto: registra che cosa è ogni blocco (un titolo, una voce di elenco, una riga di tabella) e lascia l'aspetto a chi lo visualizza.

Quindi, quando qualcuno chiede come convertire PDF in Markdown senza perdere la formattazione, la risposta onesta è che la «formattazione» si divide in due gruppi. La struttura si può ricostruire. L'aspetto no, perché Markdown non ha una sintassi per descriverlo.

Quell'obiettivo è il motivo per cui lo scambio conviene. Rinunci all'aspetto esatto della pagina e ottieni testo semplice che si legge bene, produce diff Git puliti e si incolla in un wiki o in un modello di chat. La specifica CommonMark definisce la sintassi di base, e GitHub Flavored Markdown aggiunge tabelle ed elenchi di attività.

Prima controlla il PDF: livello di testo, colonne, font

Per convertire PDF in Markdown senza perdere la formattazione, comincia prima della conversione: due minuti di controllo risparmiano un'ora di correzioni. Apri il file in un visualizzatore qualsiasi e verifica il livello di testo: prova a selezionare una frase e a incollarla altrove. Se funziona, la pagina contiene testo vero. Se si seleziona tutta la pagina come un unico blocco, o niente, hai un PDF scansionato, cioè la foto di una pagina senza caratteri leggibili.

Da riga di comando, pdffonts (di Poppler) elenca i font di un file. Un elenco vuoto per una pagina piena di parole è un forte indizio di scansione. Poi guarda tre caratteristiche dell'impaginazione che decidono quanto sarà pulito il risultato:

• Colonne. Articoli e newsletter a due colonne costringono il convertitore a indovinare l'ordine di lettura.
• Stile dei titoli. I titoli composti in un font più grande si riconoscono facilmente. Quelli solo in grassetto alla dimensione del testo sembrano paragrafi normali per un rilevamento basato sulla dimensione.
• Font. Il codice in font a spaziatura fissa può diventare un blocco di codice. Codifiche dei font insolite possono trasformare le lettere in quadratini o simboli illeggibili, e nessun convertitore lo ripara.

Passo per passo: convertire PDF in Markdown senza perdere la formattazione

Questa procedura funziona con qualsiasi convertitore del livello di testo. Usiamo il nostro perché possiamo spiegare esattamente cosa fa: legge il livello di testo con pdf.js, raggruppa le parole in righe e ricostruisce titoli, elenchi, tabelle e codice in base a dimensione e posizione. Il file non viene caricato.

1. Apri il convertitore e trascina il file. Lascia attivo «Ripulisci i residui dell’IA», a meno che non ti serva il testo grezzo.
2. Leggi il riepilogo sotto l'anteprima. Mostra pagine, caratteri e quante tabelle sono state trovate. Molte pagine con pochissimi caratteri significano che alcune sono scansioni.
3. Scorri l'anteprima dall'alto in basso. Guarda prima i livelli dei titoli, poi gli elenchi, poi le tabelle.
4. Copia o scarica il file .md e aprilo nel tuo editor accanto a un'anteprima.
5. Correggi ciò che segnala la checklist qui sotto, poi fai il commit o incolla il risultato.

Se converti soprattutto report e manuali, la pagina del convertitore da PDF a MD spiega più nel dettaglio le regole per titoli ed elenchi. Per i file fatti soprattutto di tabelle, leggi la nostra guida per convertire tabelle PDF in Markdown.

Titoli, elenchi e tabelle: cosa controllare

Titoli, elenchi e tabelle reggono gran parte della struttura di un documento, quindi sono loro a decidere se la formattazione che conta per i lettori viene conservata.

Titoli

Per mantenere i titoli durante la conversione, il convertitore confronta l'altezza di ogni riga con quella del testo principale. Il nostro assegna da # a #### alle dimensioni più grandi e tratta come titoli anche le righe brevi tutte in maiuscolo. Controlla due cose: che il titolo del documento sia l'unico # e che sezioni e sottosezioni non si siano scambiate i livelli. Un titolo di capitolo appena più grande del testo principale può perdere un livello.

Elenchi

Le voci di elenco nascono dal punto elenco (•, –, *) o da un numero seguito da punto o parentesi. Le voci numerate vengono scritte sempre 1., che Markdown mostra come 1, 2, 3. Fai attenzione alle voci che vanno a capo su una seconda riga: in un PDF quella seconda riga è solo altro testo, ma deve restare nella stessa voce.

Tabelle

Le tabelle sono la parte che più spesso richiede lavoro a mano. Le griglie con linee e le colonne ben allineate di solito si convertono bene. Nei nostri test su 12 layout di tabella, tutti gli otto layout con una sola tabella e la pagina con due tabelle sono tornati con le righe attese, e la pagina di testo a due colonne non ha prodotto alcuna tabella, come doveva. Una tabella ruotata di 90 gradi non è stata rilevata. Le celle unite vengono separate, perché una tabella con barre verticali non può rappresentarle.

Cosa si perde: grassetto/corsivo, figure, colonne

Nessuno strumento può convertire PDF in Markdown senza perdere qualche tipo di formattazione. Alcune perdite dipendono dal formato, altre sono limiti di uno strumento specifico, ed è utile sapere quali sono quali.

• Grassetto e corsivo. Markdown ha **grassetto** e *corsivo*, quindi è un limite dello strumento, non del formato. Il nostro convertitore non rileva ancora l'enfasi; produce le parole senza marcatura. Aggiungi l'enfasi dove ha un significato, per esempio negli avvisi.
• Figure e grafici. Sono disegni o immagini incorporate, non testo. Vengono saltati. Esporta a parte le immagini che ti servono e collegale con ![alt](file.png).
• Note a piè di pagina. Il testo della nota resta, ma non il collegamento tra richiamo e nota. Ricrea a mano quelle importanti.
• Layout a più colonne. Le colonne possono mescolarsi quando l'ordine di lettura è ambiguo. Controlla la prima pagina di ogni sezione.
• Spaziature esatte e interruzioni di pagina. I confini di pagina vengono rimossi, e un paragrafo spezzato da un'interruzione di pagina viene ricomposto quando è sicuro farlo.

Intestazioni e piè di pagina ripetuti e numeri di pagina sono un caso a parte: è una formattazione di cui di solito vuoi liberarti. Il nostro convertitore rimuove le righe che si ripetono in alto o in basso sulla maggior parte delle pagine, così «Relazione annuale · Pagina 7» non compare a metà di un paragrafo.

Checklist di revisione dopo la conversione

L'ultimo passo per convertire PDF in Markdown senza perdere la formattazione è una revisione veloce. Scorri questa lista nel tuo editor con l'anteprima aperta; per un report tipico ci vogliono pochi minuti.

• Un titolo # in cima, poi ## per le sezioni. Correggi ogni livello che salta.
• Nessun titolo nato da un'intestazione vagante o da una didascalia.
• Voci di elenco complete, con le righe a capo dentro la voce a cui appartengono.
• Ogni tabella ha una riga di intestazione e lo stesso numero di celle in ogni riga.
• Celle unite o vuote riempite o spiegate in una nota sotto la tabella.
• Enfasi aggiunta dove cambia il significato.
• Segnaposto o link alle immagini aggiunti dove c'era una figura.
• Link aggiunti: il nostro convertitore mantiene gli URL stampati come testo, ma non legge i link nascosti dietro le parole.

Per un modello di chat o un indice RAG contano soprattutto i titoli, perché diventano i confini dei blocchi; la nostra guida per gli LLM tratta questo caso.

Quando conviene un altro strumento (OCR, modelli di layout)

Un convertitore del livello di testo è adatto ai file esportati da un programma di videoscrittura, da un software per presentazioni o da un sistema di impaginazione. In tre situazioni è meglio cambiare strumento che lottare con il risultato.

• Scansioni. Un PDF scansionato ha bisogno prima dell'OCR. OCRmyPDF aggiunge un livello di testo ricercabile ai file scansionati; dopo, un convertitore di testo può leggerli.
• Layout complessi. Per articoli densi con formule, pagine a più colonne e molte tabelle, strumenti con modelli di layout come Docling dichiarano il supporto per impaginazione, ordine di lettura e struttura delle tabelle. Girano in locale in Python e richiedono più installazione.
• Scansioni e testo misti, in grandi volumi. marker può combinare il livello di testo con l'OCR e un aiuto facoltativo da un LLM. Controlla la licenza dei pesi dei modelli prima di un uso commerciale.

Qualunque cosa scegli, tieni il passaggio di controllo: nessuno strumento può conservare una formattazione che il file non ha mai salvato. La nostra pagina Chi siamo elenca quello che il nostro convertitore non fa, OCR compreso.