PDF轉Markdown保留格式：結構不走樣的轉檔方法

哪些「格式」能在 Markdown 裡留下來（哪些不行）

PDF 描述的是頁面看起來的樣子。這個格式由 ISO 32000-2 定義，會在頁面各個位置存放字符，再加上字型、線條和圖片。除非作者加了標籤，它本身並不知道「這是標題」，而外面流通的檔案大多沒有可用的標籤。Markdown 剛好相反：它記錄每個區塊是什麼（標題、清單項目、表格列），外觀則交給負責顯示的軟體。

所以有人問怎麼把 PDF 轉成 Markdown 又不跑版時，老實的答案是：「格式」可以分成兩類。結構可以重建；外觀不行，因為 Markdown 沒有描述外觀的語法。

就是這個設計目標，讓這筆交換值得。你放棄頁面的精確外觀，換到好讀的純文字：Git diff 乾淨，也能直接貼進 wiki 或聊天模型。CommonMark 規格 定義了核心語法，GitHub Flavored Markdown 再加上表格和工作清單。

先檢查 PDF：文字層、分欄、字型

想讓 PDF轉Markdown保留格式，要從轉檔前開始：花兩分鐘檢查，可以省下一小時修補。用任何閱讀器打開檔案，測一下文字層：試著選取一句話，貼到別的地方。貼得過去，代表頁面有真正的文字。如果整頁被當成一整塊選取，或什麼都選不到，那就是掃描的 PDF，也就是一張沒有可讀字元的頁面照片。

在命令列中，Poppler 的 pdffonts 會列出檔案用到的字型。頁面滿滿都是字，清單卻是空的，幾乎可以確定是掃描檔。接著注意三個版面特徵，它們決定輸出有多乾淨：

• 分欄。雙欄的論文和電子報，會逼轉檔工具去猜閱讀順序。
• 標題樣式。用大字級排的標題很好辨識；只有加粗、字級和內文一樣的標題，在依字級辨識的方式下看起來就是一般段落。
• 字型。等寬字型的程式碼可以轉成程式碼區塊。少見的字型編碼可能讓文字變成方框或亂碼，這是任何轉檔工具都修不好的。

逐步操作：PDF轉Markdown保留格式

這套流程適用於任何讀取文字層的轉檔工具。我們用自己的工具，因為能說清楚它到底做了什麼：用 pdf.js 讀取文字層，把字詞組成一行行，再依大小和位置重建標題、清單、表格和程式碼。檔案不會上傳。

1. 打開轉檔工具，放入檔案。除非你需要原始文字，否則保持「清除 AI 殘留」開啟。
2. 看預覽下方的摘要。它會顯示頁數、字元數和找到幾個表格。如果很多頁只有極少的字元，代表其中有些頁是掃描檔。
3. 從上到下瀏覽預覽。先看標題層級，再看清單，最後看表格。
4. 複製或下載 .md 檔，在編輯器裡打開，旁邊開著預覽。
5. 照下面的清單修正問題，再提交或貼上結果。

如果你主要轉報告和手冊，PDF轉MD工具 頁面對標題和清單規則說明得更詳細。以表格為主的檔案，請看我們的 PDF 表格轉 Markdown 教學。

標題、清單和表格：要檢查什麼

標題、清單和表格撐起文件大部分的結構，所以讀者在意的格式留不留得住，主要看這三樣。

標題

為了在轉檔時保住標題，轉檔工具會拿每一行的高度和內文比較。我們的工具把最大的幾級字級對應到 # 到 ####，也會把較短的全大寫行當成標題。檢查兩件事：文件標題是不是唯一的 #；章節和小節的層級有沒有對調。只比內文大一點點的章標題，可能會掉一級。

清單

清單項目依項目符號（•、–、*）或帶句點、括號的數字辨識。編號項目每次都寫成 1.，Markdown 會顯示成 1、2、3。注意換到第二行的項目：在 PDF 裡第二行只是另一段文字，但它應該留在同一個項目裡。

表格

表格最常需要手動處理。有框線的表格和對齊整齊的欄位，通常轉得不錯。我們用 12 種表格版面測試，8 種單一表格版面和一頁兩個表格的版面都還原出預期的列，雙欄文字頁也正確地沒有產生表格。旋轉 90 度的表格沒有被辨識出來。合併儲存格會被拆開，因為直線表格無法表達合併。

會遺失的：粗體／斜體、插圖、分欄

沒有任何工具能把 PDF 轉成 Markdown 而完全不掉格式。有些損失來自格式本身，有些是特定工具的限制，分清楚很有幫助。

• 粗體與斜體。Markdown 有 **粗體** 和 *斜體*，所以這是工具的限制，不是格式的限制。我們的轉檔工具還辨識不出強調，只會輸出沒有標記的文字。在有意義的地方（例如警告）把強調補回去。
• 插圖與圖表。它們是繪圖或嵌入的圖片，不是文字，會被略過。需要的圖片另外匯出，再用 ![alt](file.png) 連結。
• 註腳。註腳文字會留下，但註腳標記和註腳之間的對應會消失。重要的註腳請手動補回。
• 多欄版面。閱讀順序不明確時，欄與欄可能混在一起。檢查每一節的第一頁。
• 精確間距與分頁。頁面邊界會被移除，被分頁切斷的段落在安全的情況下會重新接起來。

重複的頁首頁尾和頁碼是特例：這種格式通常你巴不得拿掉。我們的轉檔工具會刪除在多數頁面頂端或底部重複出現的行，所以「年度報告 · 第 7 頁」不會卡在段落中間。

轉檔後的整理清單

PDF轉Markdown保留格式的最後一步，是快速看過一遍。在編輯器裡開著預覽，對照這份清單；一般報告幾分鐘就能檢查完。

• 最上面一個 # 標題，章節用 ##。跳級的地方改回來。
• 沒有把零散的頁首或圖說誤當成標題。
• 清單項目完整，換行的部分留在所屬的項目裡。
• 每個表格都有標題列，每一列的儲存格數量相同。
• 合併或空白的儲存格已填好，或在表格下方加註說明。
• 會改變意思的地方補上強調。
• 原本有插圖的位置加上圖片預留位置或連結。
• 補上連結：我們的轉檔工具會把印出來的網址當成文字保留，但讀不到藏在文字後面的連結。

對聊天模型或 RAG 索引來說，標題最重要，因為它們會變成切塊的邊界；我們的 AI 用教學 專門說明這種情境。

什麼時候換別的工具比較適合（OCR、版面模型）

讀取文字層的轉檔工具，適合從文書處理軟體、簡報軟體或排版系統匯出的檔案。以下三種情況，與其和輸出結果搏鬥，不如換工具。

• 掃描檔。掃描的 PDF 要先做 OCR。OCRmyPDF 能替掃描檔加上可搜尋的文字層，之後文字轉檔工具就讀得到了。
• 複雜版面。公式多、多欄、表格密集的論文，可以考慮 Docling 這類以版面模型為基礎的工具，它們表示支援頁面版面、閱讀順序和表格結構。這些工具用 Python 在本機執行，安裝比較麻煩。
• 大量掃描檔與文字混合的檔案。marker 可以結合文字層、OCR 和選用的 LLM 輔助。商業使用前，先確認模型權重的授權條款。

不管選哪一個，檢查這一步都要保留：檔案裡從來沒存過的格式，任何工具都留不住。我們的 關於 頁面列出了轉檔工具做不到的事，包括 OCR。