PDF 轉 Markdown 用於 RAG:哪些內容能留下,哪些會遺失
PDF 轉 Markdown 能保留標題、清單、表格與粗體斜體;程式碼區塊的圍欄、連結網址和圖片會遺失,掃描頁則回傳空檔案。
PDF 轉 Markdown能把有文字層的 PDF 裡的標題、項目符號清單和編號清單、表格、粗體與斜體保留下來,但會遺失程式碼區塊的圍欄、連結背後的網址和所有圖片。只有一張圖片的頁面不會報錯,而是回傳 HTTP 200 加一個空檔案,所以做 RAG 的管線在建立索引之前,必須先檢查結果是不是空的。
把 PDF 轉成 Markdown 用於 RAG,哪些內容能留下?
在有文字的頁面上,結構和文字都能留下。測試用了 4 份一頁的文件:先寫成 Markdown,用 Markdown 轉 PDF轉譯成 PDF,再轉回 Markdown。同一個函式分別統計來源檔和回傳結果裡的標題、清單項目、表格、圍欄程式碼區塊、粗體、斜體、連結和圖片的數量。測量日期 2026-10-23,在本機伺服器上進行。文章文件的結果如下:
| 元素 | 來源檔 | 轉換後的輸出 |
|---|---|---|
| 標題 | 1 個一級、3 個二級、2 個三級 | 1、3、2 個,層級不變 |
| 項目符號清單項目 | 4 | 4 |
| 編號清單項目 | 3 | 3 |
| 表格 | 1 個,4 列 3 欄 | 1 個,4 列 3 欄 |
| 粗體與斜體 | 各 2 處 | 各 2 處 |
| 單字 | 98 個 | 98 個全部找到 |
| 圍欄程式碼區塊 | 1 個,4 行 | 0 個;4 行擠成了一行 |
| 連結 | 1 個 | 0 個;文字保留,外面包著 <u>…</u>,網址不見了 |
| 圖片 | 1 張(在另一份文件裡) | 0;不回傳圖片檔 |
第二份文件是一份報告,有編號標題、4 欄 5 列的表格,以及編號與項目符號清單,結果的各項數量都與來源檔相同,119 個單字全部找到。數量是按個數比較的,沒有逐行比對;單字比較是去掉標記、轉成小寫、不看順序之後進行的。
這些 PDF 是服務自己產生的乾淨文字 PDF。數字描述的是結構規整的文字 PDF,不代表任意檔案的轉換效果;掃描檔、多欄頁面、重複出現的頁首頁尾和公式都沒有測。反方向的轉換見 Markdown 與 PDF 來回。
對 RAG 索引來說,標題和表格列會變成可以按行切分的純文字,轉換成功的三份文件裡一個單字也沒少。另一方面,答案藏在程式碼清單的換行、連結位址或圖裡的問題,光憑轉換後的文字是回答不了的。
哪些內容留不下:程式碼圍欄、連結網址和圖片
程式碼區塊會遺失圍欄和換行,所以 Markdown 裡不再標明它是程式碼。連結保留可見文字,輸出裡外面包著 <u> 標籤,網址則被丟掉;如果標籤會成為雜訊,嵌入之前先去掉。圖片根本不會寫回,畫在圖片裡的文字也不會被讀出來。
只有圖片的頁面會回傳空檔案,而不是報錯
把文章的一頁以 300 dpi 轉成 PNG,再包回一個 PDF,對服務來說就是一份掃描檔。PDF 轉 Markdown 回傳 200,內容類型是 text/markdown,內文 0 位元組。PDF 轉文字在同一個檔案裡找到的字元數是 0。
不必是純掃描頁才會回傳空內容。同一張圖旁邊只有 31 個單字時,也是 200 加空內文;而同一張圖旁邊有 98 個單字,就能正常轉換。分界線在哪裡沒有測,所以大半是圖片的頁面都應當視為有風險。
要檢查拿回來的檔案大小。下面兩條指令分別透過 API 和命令列取得同一個結果,最後一行用來發現空檔案。對掃描檔,pdfx 0.1.0 的結束代碼是 0,並寫出一個 0 位元組的檔案,curl 也一樣,所以光看結束代碼是看不出來的。
curl -X POST "https://pdf123.xyz/api/v1/convert/pdf/markdown" -F "[email protected]" -o report.md
pdfx pdf-to-markdown report.pdf -o report.md
test -s report.md || echo "empty: no text layer"
從掃描檔裡取出文字
掃描檔要先過 OCR。它預設輸出 Markdown 文字,可以直接餵給 RAG 管線;因為讀的是像素,辨識可能出錯,見 OCR 如何讀取掃描 PDF。另一種輸出是可搜尋的 PDF,保留 PDF 並加上一層不可見的文字層。
不要把兩者串起來。兩次執行裡,把掃描頁做成可搜尋的 PDF 之後,再交給 PDF 轉 Markdown,結果仍是 200 加空內文,儘管文字層確實存在:兩次 pdftotext 都能讀出來,第一次 PDF 轉文字也讀出來了。OCR 的 Markdown 輸出沒有在這裡測量,所以上表說明不了它保留結構的程度。
常見問題
PDF 轉 Markdown 會保留表格嗎?
會,以直線分隔的表格形式。兩份測試裡的表格,列數和欄數都與來源檔相同,表頭列也算在內。合併儲存格和多欄版面沒有測。
程式碼區塊和連結能保留嗎?
只能保留一部分。兩者的文字都在,但程式碼區塊會遺失圍欄和換行,連結會遺失網址。
轉換出來的檔案為什麼是空的?
請求成功了,但服務沒有回傳任何 Markdown。掃描頁是這樣,大半是圖片、只有幾行文字的頁面也是這樣。狀態碼是 200,不是錯誤。對這個檔案執行 OCR。
轉 Markdown 之前一定要先 OCR 嗎?
頁面以文字為主、並且有文字層的 PDF 不需要;在閱讀器裡能選取文字,就表示文字層存在。如果 PDF 轉 Markdown 回傳空檔案,就用 OCR,取它的 Markdown 輸出。