PDF 转 Markdown 很有用，但它不是魔法。PDF 是版式文档，描述文本、图片、图形和其他对象在页面上的位置；Markdown 是结构化文本格式，描述标题、段落、列表、链接、代码块和简单表格。
这个差异解释了大部分转换限制。转换器不只是提取文字，还要判断阅读顺序、标题层级、列表结构、表格边界，以及哪些内容应该忽略。
最后核对：2026-06-01。常规模式最适合可选中文本，并在浏览器本地运行。扫描版、图片型和复杂 PDF 可以使用高级 OCR，结果保留 24 小时。
为什么输出质量会不同
两个 PDF 看起来完全一样，内部数据可能差别很大。一个文件可能有干净文本、段落和逻辑阅读顺序；另一个文件可能由单个定位字符、扫描图片、隐藏文本层或复杂版式对象组成。
最常见的问题是 PDF 不一定保存语义结构。它可能知道某个词在页面的某个坐标上，但不知道这个词是二级标题、表格第一格，还是上一页段落的延续。
扫描版 PDF 需要 OCR
如果 PDF 页面本质上是一张图片，常规模式就没有文本层可以提取。你能在页面上看到字，但浏览器无法把它当作字符复制，因为它只是像素。
这些情况应使用高级 OCR：
- 扫描合同、书籍、信件和表单。
- 由纸张照片保存成的 PDF。
- 扫描软件导出的图片型 PDF。
- 选中文字时只能选中整页图片，而不是单个词。
OCR 能识别文字，但仍可能出错。低分辨率扫描、页面歪斜、手写字、印章、阴影和特殊字体都会影响准确率。重要姓名、数字、日期，以及法律或财务术语必须回到原 PDF 核对。
表格通常是最难的部分
Markdown 支持简单表格。但 PDF 中的表格常常视觉丰富、结构不明确。一个干净的 Markdown 表格通常需要清晰行列、单层表头和没有合并单元格。
遇到这些情况，通常需要人工清理：
- 合并单元格。
- 多层表头。
- 带缩进、小计和合计的财务报表。
- 跨页表格。
- 单元格内脚注。
- 旋转表头。
- 单元格内包含列表或多段文字。
常规模式会在可能时保留简单表格结构。高级 OCR 对某些表格处理更好，并会把识别出的表格内联到 Markdown 中，但复杂表格仍可能需要人工重建。如果表格涉及业务关键数据，应逐行和原 PDF 对照。
图片、图表和示意图不是普通 Markdown 文本
常规模式专注文本提取，不会把图片、图表和示意图提取为真实图片文件。如果 PDF 中有图表，图表标题或说明文字可能会被转换，但图表本身不会在常规模式下变成可用图片资源。
高级 OCR 在 OCR 服务返回图片资源时，可以把图片包含在结果中。当结果包含图片时，下载 Markdown 加独立图片文件的 ZIP 通常比把图片以 base64 直接嵌入单个 Markdown 文件更容易管理。
即使图片被保留下来，也需要上下文。如果要发布 Markdown，最好补充附近的图注、图号引用和必要的 alt 文本。
多栏排版可能打乱阅读顺序
PDF 的文本顺序可能和视觉顺序不同。双栏页面可能按横向位置存储文字，也可能按设计工具创建对象的顺序存储文字，还可能被拆成多个片段。转换后就可能在错误时间从左栏跳到右栏。
这些文档尤其需要注意：
- 学术论文。
- 宣传册。
- 新闻简报。
- 产品资料页。
- 标签和值混排的表单。
- 带边栏或提示框的报告。
如果内容重要，应逐节检查转换后的 Markdown。有时最快的修复方式是转换后手动移动文本块，而不是强行追求完美自动提取。
页眉、页脚和页码可能进入正文
PDF 经常在每页重复页码、文档标题、保密声明、日期或公司名称。转换器可能会把它们保留下来，因为它们确实是 PDF 里的文本对象。
转换后应快速查找重复行。只要它们打断正文阅读，就应该删除。只有当它们承载版本号、章节名或必要法律声明时，才建议保留。
公式和特殊符号需要人工检查
数学公式、化学记号、法律符号、货币符号和技术标记都可能难以完整保留。PDF 可能把它们存成特殊字体、矢量图形或定位字符，而不是普通 Unicode 文本。
如果输出要用于工程、学术、法律或金融工作，应人工核对这些符号。公式可能需要改写为 LaTeX 或你的 Markdown 渲染器支持的其他格式。
链接、脚注和参考文献可能需要清理
PDF 链接可能只转换成可见文字，而没有干净的 Markdown 链接地址。脚注可能出现在段落中间或页尾。引用在合并换行时也可能丢失空格或标点。
有用的清理步骤包括：
- 把重要链接重建为标准 Markdown 链接。
- 将脚注移动到相关章节末尾。
- 统一引用中的空格。
- 修复长 URL 中的错误换行。
- 在不要求精确格式时，把参考文献保留为普通文本。
受密码保护或限制的 PDF
有些 PDF 会禁止复制、打印或提取；有些文件需要密码才能打开。转换器只能处理它有权限读取的文件。如果 PDF 被加密、受限或损坏，转换可能失败，或只得到不完整内容。
只处理你有权处理的文档。对于敏感文件，如果它是文本型 PDF，优先使用常规模式，因为它在浏览器本地运行，不上传文件。
文件大小和页数限制仍然存在
转换质量不是唯一限制。大型 PDF 会占用更多内存，也需要更长解析时间。批量任务需要队列机制，避免单个文件影响浏览器稳定性。高级 OCR 也有账户、文件和积分规则，因为服务器端识别有处理成本。
文档很大时，先测试一个代表性文件或较小片段。如果样本输出已经很乱，直接处理整份文档通常只会放大清理成本。
如何判断结果是否足够好
应根据用途决定复核强度：
- 个人笔记：快速清理通常足够。
- 内部草稿：检查标题、阅读顺序和重要表格。
- 公开文档：需要编辑结构、文风、链接和可访问性。
- 研究或合规材料：应仔细和原 PDF 对照。
- 法律、医疗或金融内容：把 Markdown 当作草稿，核对每个关键细节。
只要准确性重要，原 PDF 就仍然是事实来源。
实用排查流程
当转换结果不理想时，先按这个顺序处理，不要立刻开始全文手工重写：
- 检查 PDF 是否有可选中文本。
- 如果是扫描版，切换到高级 OCR。
- 如果文本可选中但顺序混乱，检查多栏、边栏和页眉页脚。
- 删除重复的页眉和页脚。
- 只重建真正重要的表格。
- 对关键事实回到原 PDF 核对。
- 判断当前 Markdown 是否足以完成工作流，还是应继续以 PDF 作为主文档。
这样可以让清理成本和文档价值匹配。
总结
PDF 转 Markdown 最适合包含干净可选中文本、阅读顺序简单的 PDF。OCR、表格、图片、公式、多栏排版和重复页面元素都会增加复杂度，因为它们需要解释，不只是提取。文本型 PDF 使用常规模式，扫描版和复杂文件使用高级 OCR；任何准确性重要的内容，都必须人工复核。