파이썬 PDF 마크다운 변환

레이아웃을 인식하고 빠릅니다. 출력에 제목과 선이 있는 표가 남습니다. PyMuPDF는 AGPL이니 비공개 제품에 넣기 전에 조건을 확인하세요.

# pip install pymupdf4llm
import pathlib
import pymupdf4llm

md = pymupdf4llm.to_markdown("report.pdf")
pathlib.Path("report.md").write_text(md, encoding="utf-8")

선이 있는 표에 가장 좋습니다. 기본값으로는 선이 그려진 표만 찾고, 테두리 없는 격자는 별도 설정이 필요합니다. 도우미 함수가 표마다 파이프 표로 씁니다.

# pip install pdfplumber
import pdfplumber

def table_to_md(rows):
    rows = [[(c or "").replace("|", "\\|").strip() for c in r] for r in rows]
    head, body = rows[0], rows[1:]
    lines = ["| " + " | ".join(head) + " |", "|" + " --- |" * len(head)]
    lines += ["| " + " | ".join(r) + " |" for r in body]
    return "\n".join(lines)

with pdfplumber.open("invoice.pdf") as pdf:
    for page in pdf.pages:
        for table in page.extract_tables():
            print(table_to_md(table), end="\n\n")

반복문 하나로 pdfs 폴더의 파일을 모두 읽고 입력마다 .md 파일을 씁니다.

# pip install pymupdf4llm
import pathlib
import pymupdf4llm

out = pathlib.Path("markdown")
out.mkdir(exist_ok=True)
for pdf in sorted(pathlib.Path("pdfs").glob("*.pdf")):
    md = pymupdf4llm.to_markdown(str(pdf))
    (out / f"{pdf.stem}.md").write_text(md, encoding="utf-8")
    print("wrote", out / f"{pdf.stem}.md")