PDF in Markdown umwandeln

Die meisten PDFs wissen nicht, dass eine Zeile eine Überschrift ist. Sofern die Datei nicht als getaggtes PDF exportiert wurde, eine 2001 mit PDF 1.4 eingeführte Funktion, die der Barrierefreiheitsstandard PDF/UA (ISO 14289) verlangt, ist ein Titel nur Text in größerer oder fetterer Schrift. Der Konverter ordnet die gefundenen Schriftstile nach Rang und weist die größten wiederkehrenden #, ## und ### zu, sodass ein Bericht mit klarer Schrifthierarchie eine saubere Gliederung erhält.

Listen werden an Markierungen und Einzügen erkannt: Aufzählungszeichen werden zu -, nummerierte Zeilen zu 1., tiefere Einzüge zu verschachtelten Punkten. In Spalten ausgerichteter Text wird zu einer Pipe-Tabelle, einer Syntax, die GitHub 2017 in seiner GFM-Spezifikation festgeschrieben hat; das 2004 von John Gruber veröffentlichte Markdown kannte gar keine Tabellen. Links behalten ihre Ziele als [Text](url).

Zeilenumbrüche, die nur entstanden, weil eine Zeile den Rand erreichte, werden wieder zu Absätzen verbunden. Eine Kopfzeile oder Seitenzahl zwischen zwei Absätzen müssen Sie danach meist von Hand löschen.

Manches wurde nie in einer Form gespeichert, die sich zurücklesen lässt. Eine Seitenleiste zwischen Spalten kann mitten in einem Absatz landen. Als positionierte Symbole gesetzte Formeln werden zu einer Zeichenfolge, nicht zu LaTeX. Als Vektorumrisse gezeichneter Text, häufig in Logos und exportierten Folien, enthält überhaupt keine Zeichen.

Tabellen mit verbundenen Kopfzellen oder mehrabsätzigen Zellen werden zu einem einfachen Raster vereinfacht; eine komplizierte Kopfzeile müssen Sie daher von Hand neu schreiben. Wenn Sie nur den Wortlaut brauchen, liefert PDF in TXT reinen Text; stammt Ihre Quelle aus einem Word-Entwurf, bewahrt DOCX in Markdown mehr Struktur, da ein DOCX weiß, welche Absätze Überschriften sind.

Für eine Retrieval-Pipeline wandeln Sie mit ausgeschaltetem Bilder beibehalten um, es sei denn, ein Vision-Modell soll die Abbildungen lesen, und wählen bei Scans die richtige Sprache des Dokuments, damit die OCR keine Zeichen erfindet, die in Ihrem Index landen. Prüfen Sie dann die ersten beiden Überschriftenebenen: Eine zu ## aufgestufte Bildunterschrift teilt Chunks an merkwürdigen Stellen, und ein einziges Suchen und Ersetzen behebt das vor der Indexierung. Reiner Text lässt sich außerdem in Git sauber vergleichen, sodass eine neue Auflage eines Handbuchs Satz für Satz verglichen werden kann.