Chuyển PDF sang Markdown
Chuyển file PDF thành file .md với tiêu đề, danh sách và bảng viết bằng cú pháp Markdown, sẵn sàng cho kho ghi chú, kho tài liệu hay pipeline truy xuất dữ liệu.
Chuyển đổi PDF
hoặc thả tệp PDF vào đây ·
Tối đa 95 MB mỗi tệp· Tối đa 20 tệp· Xóa sau 30 phút
Tệp được xử lý trên máy chủ của chúng tôi và bị xóa sau 30 phút.
PDF scan thực chất là ảnh chụp các trang. Tự động chỉ chạy OCR trên những trang chưa có lớp văn bản; Luôn luôn sẽ chạy OCR cho mọi trang.
Ngôn ngữ được in trong bản scan. Chọn đúng ngôn ngữ giúp nhận dạng dấu và chữ không phải Latin chính xác hơn rõ rệt.
Văn bản liền mạch được dàn lại thành các đoạn văn thông thường, dễ chỉnh sửa. Bố cục chính xác đặt mỗi khối đúng vị trí cũ, trông giống hệt bản gốc nhưng khó chỉnh sửa hơn.
Nơi đặt các bảng được phát hiện trong sổ làm việc.
Số trang hoặc khoảng trang, cách nhau bằng dấu phẩy, ví dụ 1-3, 5, 8-10.
Cách sử dụng công cụ này
- 1
Thêm file PDF
Thả tối đa 20 file PDF, mỗi file tối đa 95 MB. Các trang scan được đọc bằng OCR khi Nhận dạng văn bản (OCR) để ở chế độ Tự động.
- 2
Chọn hình ảnh và trang
Giữ hình ảnh đang bật nên hình minh họa sẽ được giữ lại. Hãy tắt tùy chọn này nếu chỉ cần file văn bản, và dùng Trang cần chuyển đổi để bỏ qua trang bìa hoặc phụ lục.
- 3
Chuyển đổi và kiểm tra dàn ý
Nhấn Chuyển sang Markdown rồi tải file .md về, hoặc file ZIP nếu có nhiều file. Hãy xem nhanh các cấp tiêu đề trước.
PDF lưu các glyph theo vị trí; Markdown lưu cấu trúc bằng ký tự: # cho tiêu đề, dấu gạch ngang cho mục danh sách, dấu gạch đứng cho bảng. Quá trình chuyển đổi đọc lại cấu trúc đó từ cỡ chữ, thụt lề và cột.
Cách chuyển PDF sang MD dựng lại tiêu đề, danh sách và bảng
Hầu hết PDF không biết một dòng là tiêu đề. Trừ khi file được xuất dưới dạng PDF có gắn thẻ, tính năng được thêm vào PDF 1.4 năm 2001 và là yêu cầu của tiêu chuẩn trợ năng PDF/UA (ISO 14289), tiêu đề chỉ là chữ có cỡ lớn hơn hoặc đậm hơn. Bộ chuyển đổi xếp hạng các kiểu chữ tìm thấy và ánh xạ những kiểu lớn nhất lặp lại nhiều lần thành #, ## và ###, nên báo cáo có phân cấp chữ rõ ràng sẽ cho dàn ý gọn gàng.
Danh sách được nhận biết từ ký hiệu đầu dòng và thụt lề: dấu chấm đầu dòng thành -, dòng đánh số thành 1., thụt lề sâu hơn thành mục lồng nhau. Văn bản căn theo cột thành bảng dùng dấu gạch đứng, cú pháp mà GitHub chính thức hóa trong đặc tả GFM năm 2017; Markdown do John Gruber công bố năm 2004 hoàn toàn không có bảng. Liên kết giữ nguyên đích dưới dạng [text](url).
Các ngắt dòng chỉ có vì dòng chạm lề sẽ được nối lại thành đoạn văn. Tiêu đề đầu trang hoặc số trang rơi vào giữa hai đoạn thường là thứ cần xóa sau đó.
| from ↓ · to → | MD | TXT | DOCX | HTML |
|---|---|---|---|---|
| Headings | Headings to MD: yes | – Headings to TXT: no | Headings to DOCX: yes | Headings to HTML: yes |
| Danh sách dấu đầu dòng và danh sách đánh số | Danh sách dấu đầu dòng và danh sách đánh số to MD: yes | – Danh sách dấu đầu dòng và danh sách đánh số to TXT: no | Danh sách dấu đầu dòng và danh sách đánh số to DOCX: yes | Danh sách dấu đầu dòng và danh sách đánh số to HTML: yes |
| Bảng đơn giản | Bảng đơn giản to MD: yes | – Bảng đơn giản to TXT: no | Bảng đơn giản to DOCX: yes | Bảng đơn giản to HTML: yes |
| Ô bảng được gộp | – Ô bảng được gộp to MD: no | – Ô bảng được gộp to TXT: no | Ô bảng được gộp to DOCX: yes | Ô bảng được gộp to HTML: yes |
| Links | Links to MD: yes | – Links to TXT: no | Links to DOCX: yes | Links to HTML: yes |
| Bố cục trang cố định | – Bố cục trang cố định to MD: no | – Bố cục trang cố định to TXT: no | Bố cục trang cố định to DOCX: yes | – Bố cục trang cố định to HTML: no |
Những gì công cụ chuyển PDF sang Markdown không khôi phục được
Tài liệu PDF (Portable Document Format)
PDF do Adobe tạo ra năm 1993 và trở thành chuẩn mở ISO 32000 năm 2008. Định dạng cố định văn bản, phông chữ, hình ảnh và bố cục để tài liệu hiển thị giống nhau trên mọi màn hình và máy in. PDF có thể chứa biểu mẫu, chữ ký, liên kết, tệp đính kèm và văn bản tìm kiếm được, còn biến thể PDF/A được dùng để lưu trữ lâu dài. Bố cục cố định khiến PDF khó chỉnh sửa, và PDF quét chỉ chứa hình ảnh trừ khi được áp dụng OCR. Mọi trình duyệt và hệ điều hành đều mở được PDF.
- Nén
- –
- Độ trong suốt
- Có
- Ảnh động
- Không
- Ra mắt
- 1993 · Adobe
MD
Văn bản Markdown
Markdown là cú pháp đánh dấu gọn nhẹ do John Gruber tạo ra năm 2004. Cú pháp dùng các ký hiệu văn bản thuần, như # cho tiêu đề, * cho nhấn mạnh và - cho danh sách, vẫn dễ đọc ở dạng văn bản thô và chuyển sang HTML gọn gàng. Markdown là tiêu chuẩn cho tệp README, tài liệu kỹ thuật, wiki, ứng dụng ghi chú và nhiều trình tạo trang tĩnh. Có nhiều phương ngữ, như CommonMark và GitHub Flavored Markdown, khác nhau ở các chi tiết như bảng. Mọi trình soạn thảo văn bản đều mở được tệp .md.
- Nén
- –
- Độ trong suốt
- –
- Ảnh động
- –
- Ra mắt
- 2004 · John Gruber
Người ta chuyển PDF sang Markdown khi văn bản cần nằm trong các công cụ văn bản thuần, như kho ghi chú, kho tài liệu hay chỉ mục truy xuất cho AI, nơi tiêu đề phải là dấu # chứ không phải chữ to hơn.
Một số thứ chưa từng được lưu ở dạng có thể đọc lại. Khung bên cạnh đặt giữa các cột có thể rơi vào giữa đoạn văn. Công thức được dàn bằng ký hiệu đặt theo vị trí sẽ ra một dòng ký tự, không phải LaTeX. Chữ được vẽ dưới dạng đường viền vector, thường gặp ở logo và slide đã xuất, hoàn toàn không chứa ký tự nào.
Bảng có ô tiêu đề gộp hoặc ô nhiều đoạn sẽ bị làm phẳng thành lưới đơn giản, nên hãy chuẩn bị viết lại thủ công hàng tiêu đề phức tạp. Nếu chỉ cần chữ, PDF sang TXT cho ra văn bản thuần; nếu nguồn là bản nháp Word, DOCX sang Markdown giữ được nhiều cấu trúc hơn, vì DOCX vẫn biết đoạn nào là tiêu đề.
Markdown cho pipeline LLM và RAG, Obsidian và Notion
Quy trình RAG và LLM
Tiêu đề cho bộ chia văn bản các ranh giới đoạn tự nhiên, nên mỗi đoạn giữ được tên mục, và Markdown tốn ít token cho định dạng hơn nhiều so với HTML.
Kho ghi chú Obsidian
Obsidian lưu mỗi ghi chú thành một file .md thuần trong thư mục trên ổ đĩa, nên file đã chuyển có thể thả thẳng vào kho.
Không gian làm việc Notion
Tính năng nhập Markdown của Notion biến tiêu đề, danh sách và bảng dùng dấu gạch đứng thành các khối gốc, gọn hơn so với dán từ trình xem PDF.
Với quy trình truy xuất, hãy chuyển đổi khi tắt Giữ hình ảnh, trừ khi có mô hình thị giác sẽ đọc các hình minh họa, và chọn đúng Ngôn ngữ tài liệu cho bản scan để OCR không bịa ra ký tự rồi lọt vào chỉ mục. Sau đó kiểm tra hai cấp tiêu đề đầu: chú thích bị nâng thành ## sẽ chia đoạn ở những chỗ lạ, và một lần tìm và thay thế sẽ sửa được trước khi lập chỉ mục. Văn bản thuần cũng so sánh khác biệt gọn gàng trong Git, nên có thể đối chiếu từng câu giữa các ấn bản của một cuốn hướng dẫn.
Câu hỏi về chuyển PDF sang Markdown
Công cụ chuyển PDF sang MD xuất Markdown theo chuẩn nào?
Tiêu đề, danh sách, phần nhấn mạnh và liên kết tuân theo CommonMark, còn bảng được viết dưới dạng bảng dùng dấu gạch đứng theo kiểu GitHub, vì CommonMark thuần không có cú pháp bảng. Kết quả hiển thị đúng trên GitHub, GitLab, Obsidian và VS Code.
Có thể chuyển PDF scan sang Markdown không?
Có. Khi Nhận dạng văn bản (OCR) ở chế độ Tự động, các trang không có lớp văn bản sẽ được đọc trước rồi cấu trúc được dựng lại sau đó, nên bản scan phẳng 300 DPI cho dàn ý sạch hơn ảnh chụp điện thoại bị nghiêng. Nếu muốn có PDF tìm kiếm được thay vì file .md, hãy dùng OCR PDF.
Vì sao một chú thích in đậm lại thành tiêu đề?
Tiêu đề được nhận diện từ cỡ chữ, độ đậm và khoảng cách, nên một dòng ngắn in đậm đứng riêng, chẳng hạn chú thích hình, có thể trông giống hệt một tiêu đề nhỏ. Hãy xóa các dấu # của dòng đó; phần còn lại của dàn ý không bị ảnh hưởng.
Làm sao đưa file Markdown vào Notion?
Chọn Import ở thanh bên của Notion, chọn Text & Markdown rồi chọn file. Mỗi tiêu đề # sẽ thành một khối tiêu đề và mỗi bảng dùng dấu gạch đứng thành một bảng đơn giản.
Vì sao file .md nhẹ hơn file PDF nhiều đến vậy?
PDF chứa font nhúng, hình ảnh và lệnh vẽ cho từng trang; Markdown chỉ giữ ký tự và một số ít ký hiệu. Một báo cáo nhiều chữ vài megabyte thường chỉ còn vài trăm kilobyte Markdown, và cũng dễ vừa với cửa sổ ngữ cảnh của mô hình hơn.
Có thể chuyển Markdown trở lại PDF sau khi chỉnh sửa không?
Có. Trình soạn thảo nào có chức năng xuất đều có thể tạo lại PDF, và UltKit có công cụ chuyển Markdown sang PDF cho chiều ngược lại. PDF mới dùng font và khoảng cách của trình dựng, không phải thiết kế gốc.
- Trích xuất văn bản từ PDFLấy chữ từ mọi file PDF thành file văn bản UTF-8 gọn gàng. Bản scan được đọc bằng OCR, có thể chọn khoảng trang, chỉ giữ lại phần chữ.
- Chuyển PDF sang TXTChuyển PDF sang TXT online miễn phí. Trang số giữ đúng từng ký tự, trang scan được nhận dạng OCR, mỗi PDF cho ra một file .txt UTF-8.
- Chuyển PDF sang WordChuyển PDF sang Word chỉnh sửa được thật sự. Văn bản tự dàn thành đoạn bình thường, trang scan được OCR với 34 ngôn ngữ, tối đa 20 file mỗi lần.
- Chuyển DOCX sang MarkdownChuyển file Word DOCX sang Markdown gọn gàng cho GitHub, trình tạo trang tĩnh và docs-as-code. Ảnh lưu cạnh file .md trong ZIP, 20 file mỗi lượt.
- Chuyển Markdown sang PDFChuyển file .md và .markdown sang PDF với tiêu đề, danh sách, bảng, liên kết và khối mã thật thay vì dấu sao thô. Bookmark tạo từ các tiêu đề #.
- Chuyển PDF sang EPUBChuyển PDF sang EPUB tự dàn trang, vừa với Kindle, Kobo, Apple Books và màn hình điện thoại. Chỉnh được cỡ chữ, vẫn giữ nguyên hình ảnh.
