如何把 PDF 转成 Markdown 而不抓狂

“把这个 PDF 转成 Markdown”是一句话的请求，背后却藏着一个难题。Word 文档是带结构的数据——段落、样式、标题——所以转换基本只是重新编码。而 PDF 是一页纸的图像：它记录的是每个字符画在哪里，而不是它意味着什么。因此，PDF 转 Markdown 与其说是格式转换，不如说是在猜这页纸本来想表达什么。理解这个区别，就是整件事的关键。

为什么它难

PDF 没有可靠的”段落”或”标题”概念。它有的是 x/y 坐标和字体片段。转换器必须重建：

• 阅读顺序。 文本从上往下流，但分栏、侧栏、页脚和页眉会打乱这个顺序。一篇双栏论文可能先读完左栏再读右栏，也可能左右穿插着读。
• 块边界。 一个段落在哪里结束、下一个在哪里开始，一个标题从哪起——这些都没被存储，只能靠间距和字号去推断。
• 表格和列表。 这两样损失尤其大。表格是定位好的单元格网格；从坐标重建行和列，正是多数转换器栽跟头的地方。
• 公式和脚注。 等式和脚注标记通常是最先牺牲的。

什么时候它好用

• 单栏、纯文本的 PDF——报告、文章、信函、简单文档。这些转得干净。
• 从文字处理软件导出的 PDF（Word、Google Docs）——它们通常有干净、规整的结构。
• 标题和间距一致的文档——版式越规整，推断越准。

什么时候它不行

• 双栏或多栏版式——阅读顺序是抛硬币。
• 表格密集的文档——财务报表、规格书、发票。
• 扫描版 PDF（没有文本层的图像）——这些需要先做 OCR，而 OCR 又会在版式猜测之上叠加它自己的错误。
• 大量公式、图表、图形——这些被压平进了页面图像里。

一套实用工作流

1. 先查有没有文本层。 如果你能在 PDF 里选中并复制文字，它就有文本层——你在好情况里。如果不能，它是扫描版，需要先 OCR。
2. 转换后，读输出，而不是读源文件。 打开生成的 Markdown，像人一样读一遍。找那三种经典失败：栏序错乱、段落被合并或拆散、表格坏掉。
3. 修结构，别修文字。 字通常是对的；需要修的是排布。把真正的标题提出来，拆开被合并的段落，小表格就修，修不动就改写成列表。
4. 保留原始 PDF。 把 Markdown 当作编辑用的工作副本；PDF 仍然是那份记录。

为什么本地转换器在这里重要

PDF 往往是私密的——合同、医疗账单、个人文件。基于上传的转换器会把这份文件发到你控制不了的服务器上。DailyWise 的转换器在浏览器里跑同一套工作流：文档被读取、文本层被提取、Markdown 在你的设备上生成，什么都不上传、不需要账号。你仍然要做那一步人工活——读输出、修结构——但文件从你这里离开过。

诚实的极限

没有转换器能把一份复杂、多栏、表格密集的 PDF 一次就完全逆向成干净的 Markdown。目标是自动拿到八成，把时间花在剩下两成的结构上——而不是假装那两成不存在。