PDF 转 TXT · Markdown PDF 转 Markdown:保留结构,交给 AI 和知识库
AI 助手和文档工具都很适合读 Markdown:# 是标题,- 是列表,空行分段。这个工具根据 PDF 里的字号和列表符号还原这些结构,报告粘贴过去后章节还在,不会变成一整块文字。文件始终留在你的浏览器里。
- 文件不离开设备
- 按字号识别标题
- 还原列表和段落
PDF 转 Markdown
选一个 PDF,读完后文字就显示在下面;可以调整设置,再复制或下载成 .txt / .md 文件。
还没有选 PDF。选择或拖入一个 PDF,也可以先用示例试试。
密码只在本标签页里用来打开文件,不保存、不发送。
Markdown 保留标题和列表,粘贴给 AI 助手(如文心一言、通义千问、ChatGPT)时结构更清楚。
「合并成段落」每段一行,方便编辑;「保留原换行」和 PDF 一行对一行。
留空 = 全部页。例:1-3, 5, 8-
每页字数
示例:一页 PDF 整理成文字
一页运营报告:大标题、一段被折成两行的文字、小标题、两条列表和页脚页码。下面是工具处理后的结果。
第三季度运营报告
第三季度网站访问量环比增长 18%,增量主要来自百度自然搜索和老访客回访。手机端访问占比已达到 61%。
主要变化
• 帮助中心改版后,搜索带来的访问翻了一倍。
• 8 月暂停了付费推广。
下个季度计划测试更短的注册表单,并改版价格页。
# 第三季度运营报告
第三季度网站访问量环比增长 18%,增量主要来自百度自然搜索和老访客回访。手机端访问占比已达到 61%。
## 主要变化
- 帮助中心改版后,搜索带来的访问翻了一倍。
- 8 月暂停了付费推广。
下个季度计划测试更短的注册表单,并改版价格页。
页码被去掉;两行中文直接接上,中间不加空格;字号大的标题在 Markdown 里变成 # 和 ##。
版本 v1.0更新于 更新记录
提取出来的文字是什么样的
PDF 里存的是一块块带坐标的文字,并没有「段落」。工具按位置把它们排回阅读顺序,结果大致如下。
段落
属于同一段的几行会接成一段,段与段之间空一行。需要保持原来一行一行的样子(诗歌、地址、清单),把「换行」改成「保留 PDF 原来的换行」。
标题和列表
字号明显更大的短行当作标题,以 •、–、1.、一、 开头的行当作列表。纯文本里保持原样;Markdown 里变成 #、##、-,别的软件能认出结构。
没有文字的页
一页一个字都没有,几乎都是扫描件或拍的照片,会在「每页字数」里标出来。这类页要先用 OCR 软件识别成文字。
表格和分栏
表格按行输出,单元格之间用空格隔开;双栏排版一般按栏输出,但少数 PDF 存文字的顺序比较乱,重要内容请核对一遍。
token 数是给 AI 工具的粗略参考:中文大约每字 1 个,英文大约每 4 个字母 1 个。
PDF 文字怎么提取出来:四步
默认设置(纯文本、合并成段落、去掉页码)适合大多数文档。
-
1
打开 PDF
点击选择或拖进框里。需要密码时会出现密码框,输入后打开。
-
2
选输出格式
要粘贴到 Word、记事本、微信就选纯文本;要放进知识库、语雀、飞书文档或给 AI 助手,选 Markdown。
-
3
按需调整
可以保留原来的换行、加上页码标记,或在「页码」里填 2-5 只提取其中几页。
-
4
复制或下载
点「复制」放进剪贴板,或下载成 .txt / .md 文件。留意被标成「没有文字」的页。
从带坐标的文字块到段落
Firefox 使用的开源 PDF 引擎 pdf.js 会给出每块文字的内容、位置和字号,工具根据这些数字还原阅读顺序。
- 基线高度相差不到半个字高的文字块算同一行,行内从左到右排
- 两块之间的空隙超过字号的 0.15 倍时补一个空格;两边都是中文、日文时不补
- 行距超过平常行距的 1.4 倍、字号变化超过 15%、遇到列表符号时,另起一段
- 英文单词在行尾被拆成 infor- 和 mation 时,下一行小写开头就去掉连字符接上
- Markdown 标题:字数最多的字号是正文,比正文大的前三档字号分别是 #、##、###
| 用途 | 选择 | 原因 |
|---|---|---|
| 粘贴到 Word、记事本、微信 | 纯文本 | 没有多余符号 |
| 粘贴给文心一言、通义千问、ChatGPT 等 AI 助手 | Markdown | 标题和列表保留了结构,多出的字符很少 |
| 知识库、语雀、飞书文档、GitHub | Markdown | 粘贴后直接显示成标题和列表 |
| 查找、比对文档 | 纯文本 + 保留原换行 | 行号和 PDF 对得上 |
一份 12 页的合同,其中两页是扫描件
合同正文从 Word 导出成 PDF,签字页和附件是后来扫描再拼进去的。
| 页 | 情况 | 结果 |
|---|---|---|
| 1–10 | 读出文字,接成段落 | 每页约 800–1200 字 |
| 11(签字页) | 只有图片,没有文字层 | 标为「没有文字(扫描件?)」 |
| 12(附件) | 只有图片,没有文字层 | 标为「没有文字(扫描件?)」 |
| 输出 | 第 1–10 页的文字 | 一个 .txt 文件;第 11–12 页要做 OCR |
在「页码」里填 1-10 可以只提取文字页;保留全部页则能在「每页字数」里看到哪几页缺文字。
PDF 转 TXT 容易出错的地方
大多数意外来自 PDF 里实际存了什么。
想从扫描件里直接取字
扫描页是文字的照片,里面没有可提取的文字,要先经过 OCR 识别。
复杂版面不核对
表格、侧栏、文本框的顺序可能和你看到的不一样,发布或引用前请通读一遍。
在阅读器里一页页复制
从阅读器复制每行都会断开,还会带上页眉页码。整份提取能拼回段落、去掉页码。
把机密文件传到网上转换
合同、工资条、病历是提取文字的常见场景。这个工具在浏览器本地运行,不需要上传。
统计产品也是同样的隐私优先思路
这个工具让文件留在你的设备上。TapCub 统计也按同一个原则:只收需要的数据,不收个人信息。
标题是怎么识别的?
字数最多的字号算正文。比正文大 15% 以上的短行当作标题,最大的三档字号分别对应 #、##、###。
为什么交给 AI 之前要把 PDF 转成 Markdown?
标题和列表告诉模型文档是怎么组织的,它才能回答「第三部分讲了什么」、按章节总结。Markdown 只多几个符号,占用的 token 很少,而且不用先把文件传到别的转换网站。
表格会转成 Markdown 表格吗?
目前不会。PDF 里并没有「表格」,只有摆好位置的文字,所以表格按行输出成普通文字。表格请人工核对,或用表格转换工具重新整理。
图片会一起转出来吗?
不会,只提取文字。需要页面图片时用「PDF 转图片」导出。