Convertitore da PDF a Markdown

La maggior parte dei PDF non sa che una riga è un titolo. A meno che il file non sia stato esportato come PDF con tag, una funzione introdotta con PDF 1.4 nel 2001 e richiesta dallo standard di accessibilità PDF/UA (ISO 14289), un titolo è solo testo con un carattere più grande o più spesso. Il convertitore classifica gli stili di carattere che trova e associa i più grandi tra quelli ricorrenti a #, ## e ###, così un rapporto con una gerarchia tipografica chiara produce uno schema pulito.

Gli elenchi vengono riconosciuti da simboli e rientri: i punti elenco diventano -, le righe numerate 1., i rientri più profondi voci annidate. Il testo allineato in colonne diventa una tabella con barre verticali, una sintassi che GitHub ha formalizzato nella specifica GFM nel 2017; il Markdown pubblicato da John Gruber nel 2004 non prevedeva alcuna tabella. I link mantengono la destinazione come [testo](url).

Le interruzioni di riga dovute solo al raggiungimento del margine vengono riunite in paragrafi. Un'intestazione corrente o un numero di pagina che finisce tra due paragrafi è di solito ciò che resta da eliminare dopo.

Alcuni elementi non sono mai stati memorizzati in una forma che si possa rileggere. Una barra laterale posta tra due colonne può finire in mezzo a un paragrafo. Le equazioni composte con simboli posizionati diventano una riga di caratteri, non LaTeX. Il testo disegnato come contorni vettoriali, frequente nei loghi e nelle slide esportate, non contiene alcun carattere.

Le tabelle con celle di intestazione unite o con celle di più paragrafi vengono appiattite in una griglia semplice, quindi una riga di intestazione complessa va riscritta a mano. Se servono solo le parole, PDF in TXT fornisce testo semplice; se la fonte è una bozza Word, DOCX in Markdown mantiene più struttura, perché un DOCX sa ancora quali paragrafi sono titoli.

Per una pipeline di recupero, converti con Mantieni immagini disattivato, a meno che un modello di visione debba leggere le figure, e scegli la Lingua del documento corretta per le scansioni, così l'OCR non inventa caratteri che finirebbero nel tuo indice. Poi controlla i primi due livelli di titolo: una didascalia promossa a ## divide i blocchi in punti strani, e una sola operazione di trova e sostituisci la corregge prima dell'indicizzazione. Il testo semplice inoltre mostra differenze pulite in Git, così una nuova edizione di un manuale si può confrontare frase per frase.