Convertir PDF a Markdown

PDF convertido en Markdown limpio

Markdown es la lengua franca para alimentar documentos a modelos de lenguaje grandes, generadores de sitios estáticos y aplicaciones de notas — pero los PDF no llevan una estructura que se pueda exportar. PDF to Markdown lee la capa de texto y reconstruye un documento coherente: detecta encabezados, listas con viñetas y numeradas, y párrafos a partir del diseño de la página, y los escribe como Markdown.

Pensado para flujos de trabajo con LLM y documentación

Si está construyendo un pipeline de RAG, redactando documentación, o pegando contenido en un modelo de chat, Markdown es mucho más fácil de trabajar que el texto crudo de un PDF. El resultado conserva los niveles de encabezado y las listas para que la estructura sobreviva, lo cual ayuda a los modelos a dividir y comprender el contenido.

Notas y límites

La estructura se infiere de forma heurística, así que los diseños complejos de varias columnas o las tablas pueden no mapearse a la perfección — revise el resultado en busca de cualquier elemento crítico. Los PDF escaneados necesitan OCR primero. Todo se ejecuta de forma local, así que no se sube nada.

Cómo se interpreta el diseño como estructura

Internamente, HivePDF recorre los fragmentos de texto del PDF y registra el tamaño de fuente, el grosor y la posición de cada uno en la página. Un fragmento notablemente más grande que el texto del cuerpo circundante, o en negrita en su propia línea, se trata como un encabezado; su tamaño en relación con el resto del documento decide si se convierte en H1, H2 o H3 en el resultado. Las líneas que empiezan con un guion, un glifo de viñeta o un número seguido de un punto se convierten en elementos de lista, y las líneas consecutivas con la misma sangría se agrupan en una sola lista en lugar de separarse.

Dónde la conversión encuentra dificultades

Las tablas son la limitación más importante: un PDF almacena una tabla como texto posicionado, no como filas y columnas, así que las celdas a menudo colapsan en una sola línea o párrafo en lugar de convertirse en una tabla de Markdown. Los artículos académicos y folletos de varias columnas pueden entrelazar texto de ambas columnas si el orden de lectura del PDF es inusual. Las notas al pie y los encabezados o pies de página a veces se incorporan al texto principal. Trate el resultado como un buen primer borrador y corrija a mano los puntos problemáticos en lugar de esperar una conversión perfecta.

Un siguiente paso habitual

Muchas personas ejecutan esta herramienta después de OCR en un documento escaneado, o junto con Extraer imágenes cuando el PDF de origen mezcla diagramas con texto que quieren mantener separado.