PDF в Markdown

Почему Markdown — целевой формат для текста

Markdown — это обычный текст с горсткой символов для структуры: # для заголовков, - для списков, вертикальные черты для таблиц. Именно эта простота сделала его лингва-франка ИИ-сценариев, систем документации и приложений для заметок — каждая языковая модель читает его нативно, каждый редактор открывает его без плагинов, а Git отслеживает изменения в нём построчно.

Поэтому конвертация PDF в Markdown — не про внешний вид; это возвращение формата «картинки страницы» к структурированному, пригодному для машин тексту. Заголовки становятся иерархией, абзацы — чистой прозой, а таблицы — данными, которые можно grep-нуть, разбить на чанки и векторизовать.

Как здесь устроено извлечение

Конвейер конвертации извлекает текстовые объекты PDF, а затем восстанавливает семантику: кластеры размеров шрифта становятся уровнями заголовков, маркеры — элементами списков, а сеткоподобные расстановки символов — Markdown-таблицами. Порядок чтения следует внутренней структуре документа, если она есть, и откатывается к анализу макета, когда её нет.

Изображения помечаются там, где они встречаются в потоке, чтобы было видно, где находились иллюстрации. Результат — один .md-файл, который открывается где угодно — VS Code, Obsidian, импорт в Notion, терминал, — и чисто подаётся в RAG-конвейеры и контексты промптов.

Лучше всего конвертируются текстовые документы — отчёты, спецификации, статьи, руководства. Типичный отчёт на десять страниц конвертируется за секунды и превращается в несколько килобайт аккуратного текста.

Честные ограничения

Сканированные PDF конвертируются практически в пустоту, потому что в фотографии бумаги нет извлекаемого текста, пока не отработает OCR. LiteConvert пока не предлагает OCR; детектор файлов помечает сканированные входные данные, прежде чем вы потратите впустую конвертацию, и притворяться обратное мы не будем.

Двухколоночные академические макеты — самый тяжёлый случай: визуальный порядок (левая колонка, затем правая) может расходиться с внутренним порядком объектов PDF, поэтому плотные статьи после конвертации могут потребовать лёгкой пересортировки. Сноски и примечания на полях могут оказаться в тексте — они сохраняются, просто не всегда на учёном месте.

Зашифрованные PDF отклоняются сразу. Если ваш ридер запрашивает пароль, нашему движку он понадобился бы тоже; снимите шифрование и конвертируйте.

Приватность конвертируемых документов

Здесь часто конвертируют договоры и внутренние документы, поэтому политика приватности строгая: передача по HTTPS, обработка в памяти на кластере конвертации и автоматическое удаление и оригинала, и .md в течение 24 часов — каждый файл удаляется в течение 24 часов сам. Без регистрации, без сбора e-mail, без сторонних рекламных сетей — и мы никогда не продаём и не передаём загруженные файлы.