PDF から Markdown へ

テキストの受け皿として Markdown が選ばれる理由

Markdown とは、構造を表す少数の記号を添えたプレーンテキストです。見出しは #、リストは -、表は縦棒。この単純さこそが、AI ワークフロー、ドキュメントシステム、メモアプリの共通語になった理由です。すべての大規模言語モデルがネイティブに読み、すべてのエディタがプラグインなしで開き、Git は 1 行単位で変更を追跡できます。

したがって PDF を Markdown に変換することは、見た目の問題ではありません。ページ画像型のフォーマットを、構造化された機械扱いできるテキストへと戻す作業です。見出しは階層になり、段落はきれいな散文になり、表は grep もチャンク分割もエンベディングもできるデータになります。

ここでの抽出の仕組み

変換パイプラインは PDF のテキストオブジェクトを取り出したうえで、意味を再構築します。フォントサイズの群れは見出しレベルに、箇条書きの記号はリスト項目に、格子状に並んだ文字の配置は Markdown の表に写像されます。読み順は、文書が内部構造を持っていればそれに従い、なければレイアウト解析にフォールバックします。

画像は本文の流れの中で出現位置に印が付くので、図がどこにあったかがわかります。出力は 1 つの .md ファイルで、どこでも開けます。VS Code、Obsidian、Notion へのインポート、ターミナル。そして RAG パイプラインやプロンプトの文脈にも、そのままきれいに入ります。

テキストベースの文書——報告書、仕様書、論文、マニュアル——が最も良い結果を得ます。典型的な 10 ページの報告書なら数秒で変換でき、整ったテキスト数 KB として着地します。

正直な限界

スキャンされた PDF はほとんど何も変換できません。紙の写真には、OCR が走らない限り抽出できるテキストがないからです。LiteConvert はまだ OCR を提供していません。ファイル検出器が、変換の手間を無駄にする前にスキャンらしい入力へ警告を送ります。違うふりはしません。

2 段組みの学術レイアウトが最も難しいケースです。視覚上の順序（左の段、次に右の段）は PDF 内部のオブジェクト順序と食い違うことがあり、密度の高い論文では変換後に軽い並べ替えが必要になる場合があります。脚注や傍注は本文内に入り込むことがあります。保持はされますが、必ずしも学術的な位置にあるとは限りません。

暗号化された PDF は丸ごと拒否されます。あなたのビューアがパスワードを求めるなら、私たちのエンジンも求めるはずです。先に復号し、それから変換してください。

変換する文書のプライバシー

契約書や社内文書がよく持ち込まれるため、プライバシーへの姿勢は厳格です。転送は HTTPS、処理は変換クラスタ上のメモリ内、原本も .md も 24 時間以内に自動削除されます。アカウントは不要、メールアドレスの収集はなし、サードパーティ広告ネットワークもなし。アップロードされたファイルを売ったり共有したりすることは、決してありません。