PDF zu Markdown
Wandeln Sie ein PDF in sauberes Markdown mit echten '#'-Überschriften, Aufzählungs- und nummerierten Listen sowie GitHub-Tabellen um - rekonstruiert aus den tatsächlichen Schriftgrößen und Spaltenpositionen der Seite, nicht aus einem flachen Textdump erraten. Gemacht für Menschen, die ein PDF in Markdown umwandeln, um Tokens zu sparen, bevor sie es in ChatGPT, Claude, Gemini, DeepSeek oder Grok einfügen.
Wie die Struktur tatsächlich erkannt wird
Ein PDF hat keine Überschriften, keine Listen und keine Tabellen. Es enthält nur Glyphen an Koordinaten. Statt also nur Text auszugeben, liest dieser Konverter jeden Textlauf zusammen mit seiner Position, Schriftgröße und Schriftart und rekonstruiert die Struktur daraus:
- Überschriften durch Schriftgrößen-Clustering. Die Größe, die die meisten Zeichen im gesamten Dokument abdeckt, ist der Fließtext. Deutlich größere Schriftgrade werden in absteigender Reihenfolge zu
#,##,###. Kurze, fett gesetzte, alleinstehende Zeilen in Fließtextgröße werden ebenfalls als Unterüberschriften erkannt. - Listen anhand ihres einleitenden Zeichens. Eine Zeile, die mit •, -, * oder „1.“ / „2)“ beginnt, wird zu einem echten Markdown-Listenelement, und umgebrochene Fortsetzungszeilen werden wieder in das Element eingegliedert, zu dem sie gehören.
- Tabellen durch X-Positions-Clustering. Eine X-Koordinate, an der mehrere verschiedene Zeilen jeweils einen Textlauf beginnen, ist eine echte Spalte. Ein Block braucht mindestens drei aufeinanderfolgende Zeilen, die sich auf mindestens zwei Spalten einigen, bevor er als Tabelle ausgegeben wird - und wenn das entstehende Raster größtenteils leer ist, wird es als unsicher gemeldet und bleibt als reiner Text erhalten, statt in eine falsch aussehende Tabelle verwandelt zu werden.
- Rauschentfernung. Zeilen, die sich oben oder unten auf den meisten Seiten wiederholen, sind wiederkehrende Kopf- und Fußzeilen und werden deshalb entfernt (Seitenzahlen werden anhand ihrer Form erkannt, sodass „Seite 3 von 12“ und „Seite 4 von 12“ als dieselbe Zeile zählen). Durch einen Bindestrich am Zeilenende getrennte Wörter werden wieder zusammengefügt.
Seitengrenzen werden als HTML-Kommentare <comment/> erhalten statt als sichtbare Überschriften, weil ein „## Seite 2“ von einem Markdown-Parser - und von einem Sprachmodell - als echte, nicht vorhandene Dokumentstruktur gelesen würde.
Häufig gestellte Fragen
Warum ein PDF vor der Nutzung von ChatGPT oder Claude in Markdown umwandeln?
Weil Markdown dasselbe mit weniger Rauschen und mehr Struktur ausdrückt. Ein roher PDF-Textdump wiederholt Kopf- und Fußzeile auf jeder Seite, trennt Wörter am Zeilenende mit Bindestrichen und gibt dem Modell eine kurze Zeile pro visueller Zeile ohne Hinweis darauf, was eine Überschrift, eine Liste oder eine Tabelle war. Markdown-Überschriften und -Tabellen sagen dem Modell genau, wie das Dokument aufgebaut ist, was die erhaltenen Antworten verbessert - und das Weglassen des Seiten-Beiwerks bedeutet, dass Sie keine Tokens für bedeutungslosen Text bezahlen.
Reduziert die Umwandlung in Markdown wirklich Tokens für KI?
Das hängt vom Dokument ab, und dieses Tool zeigt Ihnen die echte Zahl statt einer Marketingbehauptung. Die klaren Gewinne kommen aus dem Entfernen wiederholter Kopf-/Fußzeilen, dem Neuanordnen hart umgebrochener Zeilen und dem Wiederzusammenfügen getrennter Wörter (ein Wort, das als "Durch-" plus "führung" getrennt ist, wird als mehrere Fragmente statt eines tokenisiert). Dem gegenüber stehen ein paar zusätzliche Zeichen durch Tabellenstriche und Überschriftenmarkierungen. Bei einem langen Bericht mit Seiten-Beiwerk auf jeder Seite ist die Einsparung real; bei einem kurzen, sauberen, tabellenreichen PDF kann das Markdown etwa gleich groß ausfallen - und ist trotzdem weit nützlicher für das Modell. Das Tool zeigt eine als solche gekennzeichnete Schätzung (etwa vier Zeichen pro Token).
Erkennt es Überschriften und Tabellen in meinem PDF?
Überschriften werden erkannt, wann immer das Dokument dafür größere oder fette Schrift verwendet, was fast jeden Bericht, jedes Paper, Handbuch und jeden aus Word, Google Docs, LaTeX oder InDesign exportierten Vertrag abdeckt. Tabellen werden erkannt, wenn ihre Spalten konsistent über die Seite ausgerichtet sind - der übliche Fall. Tabellen, die nur durch gezeichnete Rahmen ohne konsistente Textausrichtung zusammengehalten werden, und stark gestaltete magazinartige Layouts sind die schwierigen Fälle; wenn das Raster unzuverlässig wirkt, sagt das Tool das klar und behält den Text, statt eine Tabelle zu erfinden.
Kann ich Teile der Erkennung abschalten?
Ja. Überschriftenerkennung, Listenerkennung, Tabellenerkennung, Zusammenführen von Trennungen, Fett/Kursiv und das Entfernen der wiederholten Kopfzeile sind alle einzeln umschaltbar, plus eine Option, um '<!-- page N -->'-Markierungen hinzuzufügen. Das PDF wird nur einmal gelesen, sodass jede Umschaltung sofort neu konvertiert und die Token-Schätzung sich mit aktualisiert.
Was passiert bei einem gescannten PDF?
Ein gescanntes PDF ist ein Bild einer Seite ohne Textebene, und hier gibt es keinen OCR-Schritt, sodass nichts daraus extrahiert werden kann. Das Tool sagt Ihnen klar, welche Seiten keine Textebene hatten, statt still eine leere Datei zurückzugeben. Führen Sie das PDF zuerst durch ein OCR-Tool und konvertieren Sie dann das Ergebnis.
Wird mein PDF an einen Server hochgeladen?
Nein. Das PDF wird mit pdf.js vollständig in Ihrem Browser geparst, und das Markdown wird auch dort erstellt. Die Datei verlässt Ihr Gerät nie, was auch bedeutet, dass vertrauliche Verträge und interne Berichte hier sicher konvertiert werden können.
Kann ich das Markdown in einer RAG-Pipeline verwenden?
Das ist einer der Hauptgründe, es zu nutzen. Markdown-Überschriften geben einem Chunker natürliche Trennpunkte - zuerst an ##-Grenzen aufteilen, dann an Absätzen -, sodass die Abschnitte echten Kapiteln entsprechen statt mitten im Satz abzuschneiden, und Tabellen bleiben nach der Aufteilung für das Modell lesbar. Laden Sie die .md herunter oder kopieren Sie sie direkt aus dem Tool.