Hindi umaalis ang mga file sa iyong device.Paano ito gumagana
Paano i-convert ang PDF sa Markdown
- 1I-drop ang iyong PDF sa itaas (o i-click para pumili).
- 2I-click ang Convert to Markdown.
- 3I-download ang .md file.
Mga madalas itanong
- Paano nakikilala ang mga heading at listahan?
- Walang nakaimbak na istruktura sa isang PDF, kaya inaalam ito ng HivePDF mula sa layout: ang tekstong mas malaki nang halata kaysa body text ay nagiging heading, at ang mga linyang nagsisimula sa bullet o numero ay nagiging item ng listahan. Ang natitira ay pinagsasama-sama sa mga talata.
- Gumagana ba ito sa mga na-scan na PDF?
- Hindi — mga larawan lang ang isang scan nang walang text layer na mababasa. Patakbuhin muna ang OCR para magdagdag ng text layer, pagkatapos ay i-convert sa Markdown.
- Ina-upload ba ang aking file?
- Hindi. Kinukuha at kino-convert ang teksto nang buo sa iyong browser — hindi umaalis ang iyong dokumento sa device mo.
PDF papunta sa malinis na Markdown
Ang Markdown ang lingua franca para sa pagpapakain ng mga dokumento sa large language models, static-site generators, at note apps — pero ang mga PDF ay walang structure na puwedeng i-export. Binabasa ng PDF to Markdown ang text layer at muling binubuo ang isang makatwirang dokumento: nadedetect nito ang mga heading, bullet at numbered list, at paragraph mula sa layout ng pahina at isinusulat ang mga ito bilang Markdown.
Ginawa para sa LLM at docs workflows
Kung nagbubuo ka ng RAG pipeline, gumagawa ng docs, o nagpa-paste ng content sa isang chat model, mas madali gamitin ang Markdown kaysa sa hilaw na PDF text. Napapanatili ng output ang heading levels at listahan kaya nananatili ang structure, na tumutulong sa mga model na i-chunk at maintindihan ang content.
Mga tandaan at limitasyon
Ang structure ay hinuhusgahan nang heuristically, kaya't ang mga kumplikadong multi-column na layout o table ay posibleng hindi eksaktong ma-map — suriin ang resulta para sa anumang kritikal. Kailangan muna ng OCR ang mga scanned PDF. Nangyayari ang lahat nang local, kaya walang ina-upload.
Paano nababasa ang layout bilang structure
Sa ilalim ng hood, dinadaanan ng HivePDF ang mga text run ng PDF at itinatala ang font size, weight, at posisyon ng bawat isa sa pahina. Ang isang run na malaki nang husto kaysa sa nakapaligid na body text, o naka-bold sa sariling linya, ay itinuturing na heading; ang laki nito kumpara sa iba pang bahagi ng dokumento ang nagpapasya kung magiging H1, H2, o H3 ito sa output. Ang mga linyang nagsisimula sa dash, bullet glyph, o numerong may kasunod na tuldok ay nagiging list item, at ang magkakasunod na linya sa parehong indent ay pinagsasama-sama sa isang listahan sa halip na paghiwalayin.
Saan naghihirap ang conversion
Ang mga table ang pinakamalaking limitasyon: ang isang PDF ay nag-iimbak ng table bilang naka-position na text, hindi bilang mga row at column, kaya madalas nagsasama-sama ang mga cell sa isang linya o paragraph sa halip na Markdown table. Ang mga multi-column academic paper at brochure ay puwedeng magsalimbayan ang text mula sa dalawang column kung hindi pangkaraniwan ang reading order sa PDF. Minsan naisasama ang footnotes at header o footer ng pahina sa body text. Ituring ang output bilang isang malakas na unang draft at ayusin nang manwal ang mga trouble spot sa halip na umasa ng perpektong round-trip.
Isang karaniwang susunod na hakbang
Marami ang gumagawa nito matapos ang OCR sa isang scanned na dokumento, o kasabay ng Extract Images kapag pinagsasama ng source PDF ang mga diagram at text na gustong panatilihing hiwalay.