PDF转Markdown保留格式：不丢结构的转换方法

哪些“格式”能在 Markdown 里保留（哪些不能）

PDF 描述的是页面长什么样。这个格式由 ISO 32000-2 定义，它在页面的各个位置存放字形，外加字体、线条和图片。除非作者加了标签，它自己并不知道“这是一个标题”，而现实中的大多数文件都没有可用的标签。Markdown 正好相反：它记录每个块是什么（标题、列表项、表格行），外观交给显示它的软件。

所以，有人问怎样把 PDF 转成 Markdown 又不丢格式时，老实的回答是：“格式”分成两类。结构可以重建；外观不行，因为 Markdown 没有表达外观的语法。

正是这个设计目标，让这笔交换划算。你放弃了页面的精确外观，换来易读的纯文本：Git diff 干净，可以直接粘贴到 wiki 或聊天模型里。CommonMark 规范 定义了核心语法，GitHub Flavored Markdown 又加上了表格和任务列表。

先检查 PDF：文字层、分栏、字体

想让 PDF转Markdown保留格式，要从转换之前开始：花两分钟检查，能省下一小时修补。随便用一个阅读器打开文件，测一下文字层：试着选中一句话，粘贴到别处。能粘贴，说明页面上有真正的文字。如果整页被当成一整块选中，或者什么都选不中，那就是扫描版 PDF，也就是一张没有可读字符的页面照片。

命令行里，Poppler 的 pdffonts 会列出文件用到的字体。页面上满是文字，列表却是空的，基本可以断定是扫描件。接着留意三个版式特征，它们决定输出有多干净：

• 分栏。双栏的论文和简报，会迫使转换器去猜阅读顺序。
• 标题样式。用大字号排的标题很容易识别；只是加粗、字号和正文一样的标题，在按字号识别的方式下看起来就是普通段落。
• 字体。等宽字体的代码可以转成代码块。少见的字体编码可能让文字变成方框或乱码，这是任何转换器都修不好的。

分步操作：PDF转Markdown保留格式

这套流程适用于任何读取文字层的转换器。我们用自己的工具，因为能说清它到底做了什么：用 pdf.js 读取文字层，把单词拼成行，再根据大小和位置重建标题、列表、表格和代码。文件不会上传。

1. 打开转换器，放入文件。除非你需要原始文字，否则保持“清理 AI 残留”开启。
2. 看预览下方的摘要。它会显示页数、字符数和找到了几张表。如果很多页只有极少的字符，说明其中有些页是扫描件。
3. 从上到下浏览预览。先看标题层级，再看列表，最后看表格。
4. 复制或下载 .md 文件，在编辑器里打开，旁边开着预览。
5. 按下面的清单修正问题，然后提交或粘贴结果。

如果你主要转报告和手册，PDF转MD工具 页面对标题和列表规则讲得更细。以表格为主的文件，请看我们的 PDF 表格转 Markdown 指南。

标题、列表和表格：要检查什么

标题、列表和表格撑起了文档的大部分结构，所以读者在意的格式能不能保住，主要看这三样。

标题

为了在转换中保住标题，转换器会把每一行的高度和正文比较。我们的工具把最大的几档字号对应到 # 到 ####，还会把较短的全大写行当作标题。检查两件事：文档标题是不是唯一的 #；章节和小节的层级有没有对调。比正文只大一点点的章标题，可能会降一级。

列表

列表项根据项目符号（•、–、*）或带句点、括号的数字识别。编号项每次都写成 1.，Markdown 会显示成 1、2、3。注意换到第二行的列表项：在 PDF 里第二行只是另一段文字，但它应该留在同一个列表项里。

表格

表格最常需要手动处理。有框线的表格和对齐整齐的列，通常转得不错。我们用 12 种表格版式测试，8 种单表版式和一页两张表的版式都还原出了预期的行，双栏文字页也正确地没有生成表格。旋转 90 度的表格没有被识别。合并单元格会被拆开，因为竖线表格表达不了合并。

会丢失的：粗体/斜体、插图、分栏

没有哪个工具能把 PDF 转成 Markdown 而完全不丢格式。有些损失来自格式本身，有些是具体工具的限制，分清楚很有用。

• 粗体和斜体。Markdown 有 **粗体** 和 *斜体*，所以这是工具的限制，不是格式的限制。我们的转换器还识别不了强调，只输出不带标记的文字。在有含义的地方（比如警告）把强调补回去。
• 插图和图表。它们是绘图或嵌入的图片，不是文字，会被跳过。需要的图片单独导出，再用 ![alt](file.png) 链接。
• 脚注。脚注文字会留下，但脚注标记和脚注之间的对应关系没了。重要的脚注手动补上。
• 多栏版式。阅读顺序不明确时，栏与栏可能混在一起。检查每一节的第一页。
• 精确间距和分页。页面边界会被去掉，被分页切断的段落在安全的情况下会重新接上。

重复的页眉页脚和页码是个特例：这种格式通常你巴不得去掉。我们的转换器会删除在大多数页面顶部或底部重复出现的行，所以“年度报告 · 第 7 页”不会插在段落中间。

转换后的整理清单

PDF转Markdown保留格式的最后一步，是快速过一遍。在编辑器里开着预览，对照这份清单；一份普通报告几分钟就能检查完。

• 顶部一个 # 标题，章节用 ##。跳级的地方改过来。
• 没有把零散的页眉或图片说明当成标题。
• 列表项完整，换行的部分留在所属的列表项里。
• 每张表都有表头，每一行的单元格数量相同。
• 合并或空白的单元格已经填好，或在表格下方加注说明。
• 会改变意思的地方补上了强调。
• 原来有插图的位置加了图片占位或链接。
• 补上链接：我们的转换器会把印出来的网址当文字保留，但读不到藏在文字后面的链接。

对聊天模型或 RAG 索引来说，标题最重要，因为它们会成为分块的边界；我们的 大模型指南 专门讲了这种场景。

什么时候换别的工具更合适（OCR、版面模型）

读取文字层的转换器，适合从文字处理软件、演示软件或排版系统导出的文件。下面三种情况，与其和输出较劲，不如换工具。

• 扫描件。扫描版 PDF 要先做 OCR。OCRmyPDF 能给扫描文件加上可搜索的文字层，之后文字转换器就能读了。
• 复杂版式。对于公式多、多栏、表格密集的论文，Docling 这类基于版面模型的工具声明支持页面版式、阅读顺序和表格结构。它们用 Python 在本地运行，安装更麻烦一些。
• 大量扫描件和文字混合的文件。marker 可以把文字层、OCR 和可选的 LLM 辅助结合起来。商用前先看清模型权重的许可条款。

不管选哪个，检查这一步都要保留：文件里从没存过的格式，任何工具都保不住。我们的 关于 页面列出了我们的转换器做不到的事，包括 OCR。