Ubah PDF ke Markdown

Sebagian besar PDF tidak tahu bahwa sebuah baris adalah judul. Kecuali file diekspor sebagai tagged PDF, fitur yang ditambahkan di PDF 1.4 pada 2001 dan diwajibkan standar aksesibilitas PDF/UA (ISO 14289), judul hanyalah teks dengan font yang lebih besar atau lebih tebal. Konverter mengurutkan gaya huruf yang ditemukannya dan memetakan gaya terbesar yang berulang ke #, ##, dan ###, sehingga laporan dengan hierarki huruf yang jelas menghasilkan kerangka yang rapi.

Daftar dikenali dari penanda dan indentasi: butir menjadi -, baris bernomor menjadi 1., indentasi yang lebih dalam menjadi butir bersarang. Teks yang sejajar dalam kolom menjadi tabel pipe, sintaks yang diresmikan GitHub dalam spesifikasi GFM pada 2017; Markdown yang diterbitkan John Gruber pada 2004 sama sekali tidak punya tabel. Tautan mempertahankan tujuannya sebagai [text](url).

Jeda baris yang hanya ada karena baris mencapai margin disambung kembali menjadi paragraf. Header berjalan atau nomor halaman yang terselip di antara dua paragraf biasanya perlu dihapus setelahnya.

Sebagian hal memang tidak pernah disimpan dalam bentuk yang bisa dibaca kembali. Sidebar yang diletakkan di antara kolom bisa berakhir di tengah paragraf. Persamaan yang diatur sebagai simbol berposisi keluar sebagai sebaris karakter, bukan LaTeX. Teks yang digambar sebagai outline vektor, umum pada logo dan slide yang diekspor, sama sekali tidak berisi karakter.

Tabel dengan sel judul yang digabung atau sel berisi beberapa paragraf diratakan menjadi kisi sederhana, jadi bersiaplah menulis ulang baris judul yang rumit secara manual. Jika Anda hanya memerlukan kata-katanya, PDF ke TXT memberi teks biasa; jika sumber Anda adalah draf Word, DOCX ke Markdown mempertahankan lebih banyak struktur, karena DOCX masih tahu paragraf mana yang merupakan judul.

Untuk pipeline retrieval, konversikan dengan Pertahankan gambar nonaktif kecuali model visi akan membaca gambar-gambarnya, dan pilih Bahasa dokumen yang tepat untuk hasil scan agar OCR tidak mengarang karakter yang akhirnya masuk ke indeks Anda. Lalu periksa dua tingkat judul pertama: keterangan gambar yang naik menjadi ## memecah potongan di tempat yang aneh, dan satu kali cari-dan-ganti sudah memperbaikinya sebelum pengindeksan. Teks biasa juga mudah dibandingkan di Git, sehingga edisi baru sebuah manual bisa dibandingkan kalimat demi kalimat.