PDF 마크다운 변환

대부분의 PDF는 어떤 줄이 제목인지 모릅니다. 2001년 PDF 1.4에서 추가되고 접근성 표준 PDF/UA(ISO 14289)가 요구하는 태그 PDF로 내보낸 파일이 아니라면, 제목은 그저 더 크거나 굵은 글꼴의 텍스트일 뿐입니다. 변환기는 찾아낸 글자 스타일의 순위를 매겨 반복해서 나오는 가장 큰 스타일을 #, ##, ###에 대응시킵니다. 그래서 글자 위계가 분명한 보고서는 깔끔한 개요로 나옵니다.

목록은 기호와 들여쓰기로 알아봅니다. 글머리 기호는 -, 번호 줄은 1., 더 깊은 들여쓰기는 중첩 항목이 됩니다. 단으로 정렬된 텍스트는 파이프 표가 되는데, 이 문법은 GitHub가 2017년 GFM 사양에서 정식화한 것입니다. John Gruber가 2004년에 발표한 마크다운에는 표가 아예 없었습니다. 링크는 [text](url) 형태로 대상을 유지합니다.

줄이 여백에 닿아서 생겼을 뿐인 줄 바꿈은 다시 문단으로 이어 붙입니다. 두 문단 사이에 끼어든 반복 머리글이나 페이지 번호가 보통 나중에 지워야 할 부분입니다.

애초에 다시 읽을 수 있는 형태로 저장되지 않은 것들이 있습니다. 단 사이에 놓인 사이드바는 문단 한가운데로 들어갈 수 있습니다. 위치를 지정한 기호로 조판된 수식은 LaTeX가 아니라 한 줄의 문자로 나옵니다. 로고나 내보낸 슬라이드에 흔한, 벡터 윤곽선으로 그려진 텍스트에는 문자가 전혀 없습니다.

병합된 머리글 셀이나 여러 문단이 든 셀이 있는 표는 단순한 격자로 평평해지므로, 복잡한 머리글 행은 손으로 다시 써야 할 수 있습니다. 글자만 필요하다면 PDF TXT 변환이 일반 텍스트를 만들어 줍니다. 원본이 워드 초안이라면 DOCX 마크다운 변환이 구조를 더 많이 유지합니다. DOCX는 어떤 문단이 제목인지 여전히 알고 있기 때문입니다.

검색 파이프라인용이라면 비전 모델이 그림을 읽을 것이 아닌 한 이미지 유지를 끄고 변환하십시오. 스캔본은 OCR이 지어낸 글자가 색인에 들어가지 않도록 올바른 문서 언어를 고르십시오. 그런 다음 처음 두 단계의 제목을 확인하십시오. ##로 올라간 캡션은 엉뚱한 곳에서 청크를 나누는데, 색인하기 전에 찾아 바꾸기 한 번이면 고칠 수 있습니다. 일반 텍스트는 Git에서 차이도 깔끔하게 비교되므로, 매뉴얼의 새 판을 문장 단위로 비교할 수 있습니다.