Convertir PDF a Markdown

La mayoría de los PDF no saben que una línea es un título. Salvo que el archivo se haya exportado como PDF etiquetado, una función añadida en PDF 1.4 en 2001 y exigida por la norma de accesibilidad PDF/UA (ISO 14289), un título es solo texto en una fuente más grande o más gruesa. El convertidor clasifica los estilos tipográficos que encuentra y asigna los más grandes y recurrentes a #, ## y ###, así que un informe con una jerarquía tipográfica clara sale con un esquema limpio.

Las listas se reconocen por sus marcadores y sangrías: las viñetas pasan a -, las líneas numeradas a 1. y las sangrías más profundas a elementos anidados. El texto alineado en columnas se convierte en una tabla con barras verticales, una sintaxis que GitHub formalizó en su especificación GFM en 2017; el Markdown que John Gruber publicó en 2004 no tenía tablas. Los enlaces conservan su destino como [texto](url).

Los saltos de línea que solo existían porque la línea llegaba al margen se vuelven a unir en párrafos. Lo que suele haber que borrar después es un encabezado de página o un número de página que quedó entre dos párrafos.

Algunas cosas nunca se guardaron de una forma que pueda leerse de vuelta. Un recuadro lateral colocado entre columnas puede terminar en medio de un párrafo. Las ecuaciones compuestas como símbolos posicionados salen como una línea de caracteres, no como LaTeX. El texto dibujado como contornos vectoriales, frecuente en logotipos y diapositivas exportadas, no contiene ningún carácter.

Las tablas con celdas de encabezado combinadas o con varios párrafos por celda se aplanan en una cuadrícula simple, así que cuente con reescribir a mano una fila de encabezado complicada. Si solo necesita las palabras, PDF a TXT da texto plano; si su original es un borrador de Word, DOCX a Markdown conserva más estructura, porque un DOCX todavía sabe qué párrafos son títulos.

Para un sistema de recuperación, convierta con Conservar imágenes desactivado, salvo que un modelo de visión vaya a leer las figuras, y elija el Idioma del documento correcto para los escaneos, así el OCR no inventa caracteres que acaben en su índice. Después revise los dos primeros niveles de título: un pie de figura ascendido a ## corta los fragmentos en lugares extraños, y un buscar y reemplazar lo corrige antes de indexar. El texto plano además se compara limpiamente en Git, de modo que una nueva edición de un manual puede revisarse frase por frase.