تبدیل PDF به Markdown
یک PDF را به فایل .md تبدیل کنید که عنوانها، فهرستها و جدول‌هایش با نحو Markdown نوشته شده‌اند؛ آماده برای مخزن یادداشت‌ها، مخزن مستندات یا یک پایپ‌لاین بازیابی.
مبدل PDF
یا فایل‌های PDF را اینجا رها کنید ·
حداکثر 95 MB برای هر فایل· تا 20 فایل· حذف پس از 30 دقیقه
فایل‌ها روی سرورهای ما پردازش میشوند و پس از 30 دقیقه حذف میشوند.
PDFهای اسکنشده عکس صفحهها هستند. «خودکار» OCR را فقط روی صفحههای بدون لایه متن اجرا میکند؛ «همیشه» آن را برای همه صفحهها اجباری میکند.
زبان متن چاپشده در اسکن. انتخاب درست آن دقت را برای حروف دارای اعراب و الفباهای غیرلاتین بهطور محسوسی بهتر میکند.
«متن روان» متن را در پاراگرافهای معمولی و آسان برای ویرایش بازچینی میکند. «چیدمان دقیق» هر بلوک را همانجا که بود قرار میدهد که ظاهری یکسان دارد اما ویرایشش سختتر است.
جدول‌های تشخیصدادهشده در کارپوشه کجا قرار بگیرند.
شماره صفحهها یا بازهها را با ویرگول جدا کنید، مثلاً 1-3, 5, 8-10.
نحوه استفاده از این ابزار
- 1
PDF را اضافه کنید
تا 20 فایل PDF با حجم حداکثر 95 MB برای هر فایل را بارگذاری کنید. تا زمانی که تشخیص متن (OCR) روی «خودکار» است، صفحات اسکنشده با OCR خوانده میشوند.
- 2
تصاویر و صفحات را انتخاب کنید
گزینه حفظ تصاویر روشن است، بنابراین شکل‌ها هم می‌آیند. برای فایل فقط‌متنی آن را خاموش کنید و با صفحاتی که تبدیل شوند جلد یا پیوست را کنار بگذارید.
- 3
تبدیل کنید و ساختار عنوانها را بررسی کنید
روی تبدیل به Markdown بزنید و فایل .md را دانلود کنید؛ برای چند فایل، یک ZIP دریافت می‌کنید. اول سطح عنوانها را مرور کنید.
PDF نشانه‌ها را در موقعیت‌های مشخص ذخیره میکند؛ Markdown ساختار را با نویسهها: # برای عنوان، خط تیره برای آیتم فهرست، خط عمودی برای جدول. تبدیل، این ساختار را از اندازهٔ فونت، تورفتگی و ستون‌ها بازمی‌خواند.
تبدیل PDF به MD چگونه عنوانها، فهرستها و جدولها را بازسازی میکند
بیشتر PDFها نمی‌دانند یک خط عنوان است. مگر آنکه فایل بهصورت PDF دارای برچسب خروجی گرفته شده باشد، قابلیتی که در PDF 1.4 در سال 2001 آمد و استاندارد دسترس‌پذیری PDF/UA (ISO 14289) آن را الزامی میکند، عنوان فقط متنی با فونت بزرگ‌تر یا ضخیم‌تر است. مبدل سبک‌های حروف را رتبه‌بندی میکند و بزرگ‌ترین‌های تکرارشونده را به #، ## و ### نگاشت میکند؛ پس گزارشی با سلسله‌مراتب روشن، طرح کلی تمیزی میگیرد.
فهرستها از نشانه‌ها و تورفتگی‌ها تشخیص داده میشوند: گلوله‌ها -، خطوط شماره‌دار 1. و تورفتگی عمیق‌تر آیتم تودرتو میشود. متن ستونی به جدول خطعمودی تبدیل میشود، نحوی که GitHub در سال 2017 در مشخصات GFM رسمی کرد؛ Markdownای که John Gruber در 2004 منتشر کرد اصلاً جدول نداشت. پیوندها مقصدشان را به‌شکل [text](url) نگه می‌دارند.
شکست‌های خطی که فقط به‌خاطر رسیدن به حاشیه بودند، دوباره به پاراگراف وصل میشوند. سرصفحه یا شمارهٔ صفحه‌ای که میان دو پاراگراف بیفتد، معمولاً همان چیزی است که بعداً باید حذف کنید.
| from ↓ · to → | MD | TXT | DOCX | HTML |
|---|---|---|---|---|
| Headings | Headings to MD: yes | – Headings to TXT: no | Headings to DOCX: yes | Headings to HTML: yes |
| فهرست‌های گلوله‌ای و شماره‌دار | فهرست‌های گلوله‌ای و شماره‌دار to MD: yes | – فهرست‌های گلوله‌ای و شماره‌دار to TXT: no | فهرست‌های گلوله‌ای و شماره‌دار to DOCX: yes | فهرست‌های گلوله‌ای و شماره‌دار to HTML: yes |
| جدول‌های ساده | جدول‌های ساده to MD: yes | – جدول‌های ساده to TXT: no | جدول‌های ساده to DOCX: yes | جدول‌های ساده to HTML: yes |
| سلول‌های ادغام‌شدهٔ جدول | – سلول‌های ادغام‌شدهٔ جدول to MD: no | – سلول‌های ادغام‌شدهٔ جدول to TXT: no | سلول‌های ادغام‌شدهٔ جدول to DOCX: yes | سلول‌های ادغام‌شدهٔ جدول to HTML: yes |
| Links | Links to MD: yes | – Links to TXT: no | Links to DOCX: yes | Links to HTML: yes |
| چیدمان ثابت صفحه | – چیدمان ثابت صفحه to MD: no | – چیدمان ثابت صفحه to TXT: no | چیدمان ثابت صفحه to DOCX: yes | – چیدمان ثابت صفحه to HTML: no |
آنچه مبدل PDF به Markdown نمی‌تواند بازیابی کند
فرمت سند قابل‌حمل
PDF را Adobe در سال ۱۹۹۳ ساخت و در سال ۲۰۰۸ به استاندارد باز ISO 32000 تبدیل شد. متن، فونتها، تصاویر و چیدمان را ثابت نگه میدارد تا سند روی هر صفحه‌نمایش و چاپگر یکسان دیده شود. PDF میتواند شامل فرم، امضا، پیوند، پیوست و متن قابل جستوجو باشد و نوع PDF/A برای بایگانی بلندمدت به کار می‌رود. چیدمان ثابت ویرایش PDF را دشوار میکند و PDFهای اسکنشده تا وقتی OCR اعمال نشود فقط تصویر دارند. همه مرورگرها و سیستم‌عامل‌ها می‌توانند آن را باز کنند.
- فشرده‌سازی
- –
- شفافیت
- بله
- انیمیشن
- خیر
- سال معرفی
- 1993 · Adobe
MD
Markdown
Markdown یک نحو نشانه‌گذاری سبک است که John Gruber در سال 2004 ساخت. از نمادهای متن ساده مانند # برای عنوان، * برای تأکید و - برای فهرست استفاده میکند که به صورت متن خام هم خوانا می‌مانند و به‌خوبی به HTML تبدیل میشوند. این قالب استاندارد فایل‌های README، مستندات، ویکی‌ها، برنامه‌های یادداشت و بسیاری از مولدهای سایت ایستا است. گویش‌های مختلفی مانند CommonMark و GitHub Flavored Markdown وجود دارد که در جزئیاتی مثل جدولها فرق دارند. هر ویرایشگر متنی میتواند فایل‌های .md را باز کند.
- فشرده‌سازی
- –
- شفافیت
- –
- انیمیشن
- –
- سال معرفی
- 2004 · John Gruber
وقتی متن باید در ابزارهای متن ساده باشد، مثل مجموعهٔ یادداشت‌ها، مخزن مستندات یا نمایهٔ بازیابی هوش مصنوعی، PDF را به Markdown تبدیل میکنند؛ جایی که عنوان باید # باشد، نه فونت درشت‌تر.
بعضی چیزها هرگز به شکلی ذخیره نشده‌اند که بتوان بازخواند. کادر کناری میان ستون‌ها ممکن است وسط یک پاراگراف بیفتد. فرمول‌هایی که با نمادهای موقعیت‌دار حروف‌چینی شده‌اند به یک خط نویسه تبدیل میشوند، نه LaTeX. متنی که با خطوط برداری کشیده شده، مثل لوگوها و اسلایدهای خروجی‌گرفته، اصلاً نویسه ندارد.
جدول‌هایی با سلول‌های سرستون ادغام‌شده یا سلول‌های چندپاراگرافی به شبکه‌ای ساده تبدیل میشوند؛ پس انتظار داشته باشید ردیف سرستون پیچیده را دستی بازنویسی کنید. اگر فقط کلمات را می‌خواهید، PDF به TXT متن ساده میدهد؛ اگر منبع شما پیش‌نویس Word است، DOCX به Markdown ساختار بیشتری نگه میدارد، چون DOCX هنوز می‌داند کدام پاراگراف‌ها عنوان‌اند.
Markdown برای پایپ‌لاین‌های LLM و RAG، Obsidian و Notion
خط لولهٔ RAG و LLM
عنوانها به تقسیم‌کنندهٔ متن مرزهای طبیعی تکه‌ها می‌دهند تا هر تکه عنوان بخش خود را نگه دارد، و Markdown برای نشانه‌گذاری توکن بسیار کمتری از HTML مصرف میکند.
گنجینه‌های Obsidian
Obsidian هر یادداشت را بهصورت فایل .md ساده در پوشه‌ای روی دیسک شما نگه میدارد، پس فایل تبدیل‌شده مستقیم در گنجینه قرار میگیرد.
فضاهای کاری Notion
درون‌ریزی Markdown در Notion عنوانها، فهرستها و جدول‌های خطعمودی را به بلوک‌های بومی تبدیل میکند، تمیزتر از چسباندن از نمایشگر PDF.
برای خط لولهٔ بازیابی، مگر اینکه مدل بینایی قرار باشد شکل‌ها را بخواند، با حفظ تصاویر خاموش تبدیل کنید، و برای اسکن‌ها زبان سند درست را انتخاب کنید تا OCR نویسه‌هایی نسازد که به نمایهٔ شما برسد. بعد دو سطح اول عنوانها را بررسی کنید: زیرنویسی که به ## ارتقا یافته تکه‌ها را در جاهای عجیب می‌شکند و یک جایگزینی آن را پیش از نمایه‌سازی درست میکند. متن ساده در Git هم تمیز مقایسه میشود، پس ویرایش تازهٔ یک راهنما جمله‌به‌جمله قابل مقایسه است.
پرسش‌های رایج دربارهٔ تبدیل PDF به Markdown
مبدل PDF به MD کدام گونهٔ Markdown را مینویسد؟
عنوانها، فهرستها، تأکیدها و پیوندها از CommonMark پیروی میکنند و جدولها بهصورت جدول خطعمودی سبک GitHub نوشته میشوند، چون CommonMark ساده نحو جدول ندارد. این خروجی در GitHub، GitLab، Obsidian و VS Code درست نمایش داده میشود.
آیا میتوانم PDF اسکنشده را به Markdown تبدیل کنم؟
بله. وقتی تشخیص متن (OCR) روی «خودکار» باشد، صفحات بدون لایهٔ متنی ابتدا خوانده میشوند و بعد ساختار بازسازی میشود؛ بنابراین اسکن صاف با 300 DPI طرح کلی تمیزتری از عکس کج موبایل میدهد. برای PDF قابل جستوجو بهجای فایل .md از OCR PDF استفاده کنید.
چرا یک زیرنویس پررنگ به عنوان تبدیل شد؟
عنوانها از روی اندازه، ضخامت و فاصلهگذاری تشخیص داده میشوند و یک خط کوتاه پررنگ که تنها آمده، مثل زیرنویس شکل، دقیقاً شبیه عنوان فرعی دیده میشود. نشانههای # آن را حذف کنید؛ بقیهٔ ساختار تغییری نمیکند.
چگونه فایل Markdown را به Notion وارد کنم؟
در نوار کناری Notion گزینهٔ Import را بزنید، Text & Markdown را انتخاب کنید و فایل را بدهید. هر عنوان # به یک بلوک عنوان و هر جدول به یک جدول ساده تبدیل میشود.
چرا فایل .md بسیار کمحجمتر از PDF است؟
PDF برای هر صفحه فونتهای جاسازیشده، تصاویر و دستورهای ترسیم دارد؛ Markdown فقط نویسهها و چند نماد را نگه میدارد. گزارش پرمتن چندمگابایتی معمولاً به چند صد کیلوبایت Markdown تبدیل میشود که در پنجرهٔ زمینهٔ مدلها هم راحتتر جا میگیرد.
آیا میتوانم پس از ویرایش، Markdown را دوباره به PDF تبدیل کنم؟
بله. هر ویرایشگری که خروجی بگیرد میتواند دوباره PDF بسازد و UltKit برای این رفتوبرگشت مبدل Markdown به PDF دارد. PDF جدید از فونتها و فاصلهگذاری رندرکننده استفاده میکند، نه طرح اصلی.
- تبدیل PDF به متنکلمات هر PDF را بهصورت فایل متنی تمیز UTF-8 استخراج کنید. اسکن‌ها با OCR خوانده میشوند، انتخاب صفحات اختیاری است و فقط متن میماند.
- تبدیل PDF به TXTتبدیل آنلاین و رایگان PDF به TXT. متن دیجیتال دقیق میماند، صفحات اسکنشده با OCR خوانده میشوند؛ خروجی یک فایل .txt با UTF-8 برای هر PDF.
- تبدیل PDF به وردPDF را به ورد قابل ویرایش تبدیل کنید. متن به پاراگرافهای عادی برمیگردد، صفحات اسکنی با OCR در 34 زبان خوانده میشوند، تا 20 فایل با هم.
- تبدیل DOCX به Markdownتبدیل فایل‌های ورد DOCX به Markdown تمیز برای GitHub، سایتسازهای ایستا و docs-as-code. عکسها کنار فایل .md در یک ZIP، تا 20 فایل در هر نوبت.
- تبدیل Markdown به PDFفایل‌های .md و .markdown را با تیتر، فهرست، جدول، لینک و بلوک کد واقعی به PDF تبدیل کنید، نه ستارههای خام. بوکمارکها از تیترهای # ساخته میشوند.
- تبدیل PDF به EPUBPDF را به EPUB روان تبدیل کنید که با صفحهٔ Kindle، Kobo، Apple Books و گوشی سازگار میشود. اندازهٔ فونت قابل تنظیم است و تصاویر حفظ میشوند.
