Konverter PDF ke Markdown

Cara mengubah PDF ke Markdown

1. Taruh PDF Anda di kotak di atas, tempel, atau pilih hingga 20 file sekaligus.
2. Tunggu sebentar. PDF teks selesai dalam satu atau dua detik. Halaman hasil pindai lebih lama, karena setiap halaman dibaca dengan OCR di perangkat Anda.
3. Cek hasilnya. Tab Markdown menampilkan kodenya, Pratinjau menampilkan hasil jadinya, dan Halaman untuk dicek mendaftar halaman yang perlu dilihat lagi.
4. Salin atau unduh. Ambil teksnya sebagai file .md, sebagai .zip beserta gambarnya, atau sebagai chunk JSONL untuk pipeline RAG.

Tanpa akun, tanpa unggah, tanpa batas jumlah file per hari.

Apa yang dipertahankan konverter

Konverter membaca lapisan teks PDF: karakter yang sebenarnya, lengkap dengan ukuran huruf dan posisinya. Dari situ ia menyusun ulang struktur dokumen:

• Judul dari ukuran dan ketebalan huruf, sebagai #, ##, dan ###.
• Paragraf disatukan kembali, meski kalimatnya terpotong jeda baris atau berlanjut ke halaman berikutnya.
• Daftar, bernomor maupun berpoin, serta tautan dengan alamatnya.
• Tabel sebagai tabel Markdown, dari garis tabel atau dari kolom teks yang sejajar.
• Gambar sebagai penanda, sebagai tautan ke file gambar yang diekstrak, atau tidak disertakan. Anda yang memilih.

Konverter juga membuang yang tidak dibutuhkan pembaca: nomor halaman, header dan footer yang berulang di setiap halaman, serta kata yang terpotong tanda hubung di akhir baris. Setiap perbaikan punya tombolnya sendiri, dan setiap tombol menunjukkan berapa kali ia bekerja, jadi tidak ada yang terjadi diam-diam.

Halaman yang perlu dilihat lagi

Tidak ada konverter yang benar di setiap halaman. Alih-alih berharap, konverter ini memberi tahu di mana Anda perlu melihat. Setelah setiap konversi, ia memeriksa setiap halaman untuk masalah yang umum:

• halaman tanpa lapisan teks, atau yang fontnya mengarah ke karakter yang salah sehingga terbaca acak;
• teks yang tidak diyakini oleh model OCR;
• tabel dan tata letak beberapa kolom, tempat urutan baca bisa kacau.

Halaman yang ditandai muncul di Halaman untuk dicek, masing-masing dengan gambar halamannya di samping Markdown-nya, sehingga bisa dibandingkan dalam hitungan detik. Jika teks sebuah halaman keluar acak, satu klik membaca ulang halaman itu dengan OCR.

PDF hasil pindai dan OCR

Jika sebuah halaman tidak berisi teks, hanya gambar teks, konverter membacanya dengan OCR. Model pengenalan teks (PaddleOCR, Apache 2.0) berjalan di browser Anda lewat WebAssembly, dengan beberapa thread jika browser mengizinkan. Model ini diunduh sekali, sekitar 6 MB, lalu disimpan di cache.

Secara bawaan OCR membaca bahasa beraksara Latin dan Tionghoa yang dicetak. Bahasa Jepang dan Korea punya model sendiri, yang bisa dipilih di Halaman pindaian. Tulisan tangan tidak didukung. Untuk pindaian, lihat PDF hasil pindai ke Markdown.

Markdown untuk ChatGPT, Claude, dan RAG

Markdown adalah format yang paling mudah dibaca model bahasa: judul dan tabel tetap utuh, dan tokennya lebih sedikit dibanding HTML atau PDF mentah. Konverter menghitung token tepat pada teks yang akan Anda salin, dan opsi di Ringkas untuk LLM menunjukkan penghematan masing-masing: membuang alamat tautan, penanda tebal dan miring, atau baris gambar.

Tab Chunk membagi dokumen per judul dalam batas token yang Anda tentukan, menyimpan jalur judul dan nomor halaman setiap chunk, lalu mengunduh semuanya sebagai JSONL. Selengkapnya di PDF ke Markdown untuk LLM.

Apakah ini privat?

Ya, karena rancangannya, bukan sekadar janji. Konverter adalah program yang berjalan di tab browser Anda. PDF dibaca dari disk ke memori tab dan dikonversi di sana. File tidak pernah dikirim ke server kami atau server mana pun, dan karena itu juga tidak ada biaya per ukuran file maupun batas harian.

Yang lewat jaringan hanya halaman itu sendiri, kode konverter, dan model OCR saat pertama kali Anda mengonversi pindaian. Anda bisa memeriksanya di developer tools browser: tidak ada permintaan yang membawa file Anda. Kebijakan privasi memuat rinciannya.

Batasan

• Ukuran file: hingga 300 MB per file, 20 file sekaligus. File yang sangat besar bisa menghabiskan memori satu tab; jika itu terjadi, konversi sebagian halaman saja.
• Rumus keluar sebagai karakter teks yang ada di PDF, bukan LaTeX.
• Tabel rumit dengan sel gabungan atau sel yang memanjang beberapa baris mungkin perlu dirapikan manual. Halaman seperti itu ditandai.
• Tabel hasil pindai menjadi tabel Markdown jika kolomnya sejajar dengan jelas; tabel yang padat atau miring bisa keluar sebagai baris teks.
• PDF berkata sandi terbuka setelah Anda memasukkan kata sandinya. Kata sandi itu tetap di tab.

Pertanyaan umum

Apakah pdftomd gratis?

Ya. Konversi di browser Anda tidak menimbulkan biaya per file bagi kami, jadi tidak ada yang perlu ditagih: tanpa daftar, tanpa watermark, tanpa batas harian.

Apakah bisa di ponsel?

Bisa, di browser ponsel versi terbaru mana pun. File besar dan pindaian panjang lebih lambat di ponsel daripada di laptop, dan ponsel punya memori lebih sedikit, jadi PDF yang sangat besar mungkin perlu dikonversi sebagian halaman.

Bisakah mengonversi beberapa PDF sekaligus?

Bisa. Taruh hingga 20 file; semuanya dikonversi bergiliran, dan Unduh semua mengemas setiap file Markdown, beserta gambarnya jika Anda memilih mengekstraknya, ke dalam satu .zip.

Markdown jenis apa yang dihasilkan?

CommonMark dengan tabel gaya GitHub, yang bisa dibaca GitHub, Obsidian, Notion, VS Code, dan sebagian besar generator situs statis. Untuk Obsidian ada opsi front matter YAML; lihat PDF ke Obsidian.

Bisakah mengubah PDF ke Markdown dengan kode?

Jika Anda membutuhkannya di skrip, lihat PDF ke Markdown dengan Python untuk empat pustaka dengan contoh yang berjalan, atau uji banding kami untuk melihat perbandingannya.