pdftomd

用 Python 把 PDF 轉成 Markdown

四個能把 PDF 轉成 Markdown 的函式庫，每個都附上安裝指令和可執行的程式碼，說明授權允許什麼，以及怎麼選。

最後更新: 2026-11-13

該選哪個函式庫

函式庫授權需要最適合
PyMuPDF4LLMAGPL 3.0，或付費商業授權只要 pip快速準確地處理文字版 PDF，標題和表格
MarkItDownMIT只要 pip一次呼叫處理多種檔案格式
DoclingMITPyTorch，需下載模型複雜版面、表格、結構化輸出
Marker程式碼為 Apache 2.0，模型權重為修改版 OpenRAIL-M 授權PyTorch，以及 OCR 用的推論伺服器公式多的論文和掃描檔，最好有 GPU

下面的版本是本頁頂端日期時的最新版。如果你只有幾個 PDF，這些都用不到：我們首頁的轉換器在瀏覽器裡就能做同樣的事。

PyMuPDF4LLM

PyMuPDF 的 Markdown 匯出功能。從 PyMuPDF 2.0 起它已包含在 pymupdf 套件裡，匯入名稱仍是 pymupdf4llm。

pip install pymupdf

import pymupdf4llm

md = pymupdf4llm.to_markdown("report.pdf")
open("report.md", "w", encoding="utf-8").write(md)

常用選項：

# 只轉換部分頁面（從 0 開始），每頁回傳一個帶中繼資料的 dict
pages = pymupdf4llm.to_markdown("report.pdf", pages=[0, 1, 2], page_chunks=True)
for p in pages:
    print(p["metadata"]["page_number"], len(p["text"]))

處理掃描頁還要裝一個 OCR 引擎：執行 pip install rapidocr onnxruntime 後，PyMuPDF 就能讀取沒有文字層的頁面。

授權： PyMuPDF 採雙重授權，可選 GNU AGPL 3.0 或 Artifex 的商業授權。AGPL 要求你在散布軟體或以網路服務形式提供時公開你自己的原始碼，所以用在閉源產品之前請先確認。

在我們的實測裡，PyMuPDF4LLM 2.1 平均保留了 99% 的正文，閱讀順序是三個參測轉換器中最準的。

MarkItDown

微軟的多格式轉換器，支援 PDF、Word、PowerPoint、Excel、HTML、EPUB 等。

pip install 'markitdown[pdf]'

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("report.pdf")
open("report.md", "w", encoding="utf-8").write(result.markdown)

命令列用法：markitdown report.pdf -o report.md。

授權： MIT。

需要知道： 處理 PDF 時它用 pdfminer.six 和 pdfplumber 擷取文字。輸出沒有標題，保留 PDF 的換行和行尾連字號，預設安裝也沒有 OCR。如果 PDF 只是一大堆混雜辦公檔案中的一小部分，選它就對了。詳情見我們的 MarkItDown 頁面。

Docling

一個起步於 IBM 蘇黎世研究院、現由 LF AI & Data 基金會託管的文件轉換工具包。它執行版面、表格和 OCR 模型，所以會安裝 PyTorch，第一次使用時下載模型。除了 PDF，它還能讀取 Word、PowerPoint、Excel、HTML、圖片等。

pip install docling

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("report.pdf")
md = result.document.export_to_markdown()
open("report.md", "w", encoding="utf-8").write(md)

命令列用法：docling report.pdf，會在目前資料夾寫出一個 .md 檔。

授權： MIT。除了 Markdown，文件還能匯出為 HTML，以及一種保留版面資訊、方便後續處理的無損 JSON 格式。

Marker

Datalab 的轉換器，圍繞自家的視覺模型打造。擅長公式和掃描檔，執行起來也比較重。

pip install marker-pdf

Marker 需要 PyTorch，做 OCR 時第一次使用會啟動一個推論伺服器：NVIDIA GPU 上用 vLLM，CPU 或 Apple Silicon 上用 llama.cpp 的 llama-server 程式。

from marker.converters.pdf import PdfConverter
from marker.models import create_model_dict
from marker.output import text_from_rendered

converter = PdfConverter(artifact_dict=create_model_dict())
rendered = converter("report.pdf")
text, _, images = text_from_rendered(rendered)
open("report.md", "w", encoding="utf-8").write(text)

命令列用法：marker_single report.pdf。

授權： 程式碼是 Apache 2.0。模型權重採用修改版 AI Pubs OpenRAIL-M 授權，研究、個人使用以及募資或營收低於 500 萬美元的新創公司可以免費使用；更大規模的商業使用需要向 Datalab 取得授權。

批次轉換一個資料夾的 PDF

同樣的迴圈適用於任何一個函式庫，這裡以 PyMuPDF4LLM 為例：

from pathlib import Path
import pymupdf4llm

src, out = Path("pdfs"), Path("markdown")
out.mkdir(exist_ok=True)
for pdf in sorted(src.glob("*.pdf")):
    try:
        md = pymupdf4llm.to_markdown(str(pdf))
    except Exception as e:  # 損壞或加密的檔案不應中斷整批處理
        print(f"skipped {pdf.name}: {e}")
        continue
    (out / f"{pdf.stem}.md").write_text(md, encoding="utf-8")

什麼時候不該用腳本

  • 只有幾個檔案、只轉一次： 拖到轉換器裡比架環境快，還能逐頁對照 Markdown 檢查。
  • 在共用電腦上處理敏感文件： 瀏覽器轉換器不用安裝，檔案只留在分頁裡。
  • 想要 token 計數和 RAG 分塊又不想自己寫： 見 給 LLM 用的 PDF 轉 Markdown。

常見問題

哪個函式庫最快？

對文字版 PDF，MarkItDown 和 PyMuPDF4LLM 在筆電上每份文件只需不到一秒到幾秒。Docling 和 Marker 要執行神經網路模型，沒有 GPU 時慢得多。

哪個處理表格最好？

在我們測過的兩個裡，PyMuPDF4LLM 輸出了規範的 Markdown 表格，MarkItDown 大多沒有。Docling 和 Marker 都使用表格模型，常被推薦用於複雜表格，建議用你自己的文件試試。

能用在商業產品裡嗎？

MarkItDown 和 Docling 是 MIT 授權，可以。PyMuPDF 需要遵守 AGPL 或購買商業授權。Marker 的程式碼是 Apache 2.0，但模型權重對商業使用有營收限制。

有 JavaScript 的方案嗎？

pdftomd 本身就是在瀏覽器裡用 JavaScript 和 WebAssembly 執行的。它的文字引擎是開源的 @firecrawl/pdf-inspector-wasm 套件，OCR 是執行在 ONNX Runtime Web 上的 PaddleOCR。各元件見開源授權頁面。