PDF a Markdown
Convierte un PDF en Markdown limpio con encabezados '#' reales, listas con viñetas y numeradas, y tablas al estilo GitHub - reconstruidos a partir de los tamaños de fuente y posiciones de columna reales de la página, no adivinados a partir de un volcado de texto plano. Hecho para quienes convierten un PDF a Markdown para ahorrar tokens antes de pegarlo en ChatGPT, Claude, Gemini, DeepSeek o Grok.
Cómo se detecta realmente la estructura
Un PDF no tiene encabezados, ni listas, ni tablas. Solo tiene glifos en coordenadas. Así que, en lugar de volcar el texto, este conversor lee cada fragmento de texto junto con su posición, tamaño de fuente y nombre de fuente, y reconstruye la estructura a partir de eso:
- Encabezados por agrupación de tamaño de fuente. El tamaño que cubre más caracteres en todo el documento es el texto del cuerpo. Los tamaños claramente superiores se convierten en
#,##,###en orden descendente. Las líneas cortas, en negrita y aisladas con el tamaño del cuerpo también se detectan como subtítulos. - Listas a partir de su glifo inicial. Una línea que empieza con •, -, * o «1.» / «2)» se convierte en un elemento de lista Markdown real, y las líneas de continuación que se ajustan se incorporan de nuevo al elemento al que pertenecen.
- Tablas por agrupación de posición x. Una coordenada x donde varias filas distintas empiezan todas un fragmento de texto es una columna real. Un bloque necesita tres o más filas consecutivas que coincidan en al menos dos columnas antes de generarse como tabla - y si la cuadrícula resultante está mayormente vacía, se marca como incierta y se deja como texto plano en lugar de convertirse en una tabla con mal aspecto.
- Eliminación de ruido. Las líneas que se repiten en la parte superior o inferior de la mayoría de las páginas son encabezados y pies de página recurrentes, así que se eliminan (los números de página se identifican por su forma, así que «Página 3 de 12» y «Página 4 de 12» cuentan como la misma línea). Las palabras divididas por un guión al final de una línea se vuelven a unir.
Los límites de página se conservan como comentarios HTML <comment/> en lugar de encabezados visibles, porque un «## Página 2» sería interpretado por un analizador de Markdown - y por un modelo de lenguaje - como una estructura de documento real que no existe.
Preguntas frecuentes
¿Por qué convertir un PDF a Markdown antes de usar ChatGPT o Claude?
Porque el Markdown dice lo mismo con menos ruido y más estructura. Un volcado de texto plano de un PDF repite el encabezado y pie de página en cada página, divide palabras al final de línea con guiones, y le da al modelo una línea corta por línea visual sin indicación de qué era un título, una lista o una tabla. Los encabezados y tablas de Markdown le dicen al modelo exactamente cómo está organizado el documento, lo que mejora las respuestas que obtienes - y eliminar el andamiaje de página significa que no pagas tokens por texto que no aporta significado.
¿Convertir a Markdown realmente reduce los tokens para la IA?
Depende del documento, y esta herramienta te muestra el número real en lugar de una afirmación de marketing. Las ganancias claras vienen de eliminar encabezados y pies de página repetidos, reajustar líneas forzadas, y reunir palabras separadas por guiones (una palabra dividida como "a-" más "trapado" se tokeniza como varios fragmentos en lugar de uno). En contra de eso, las barras de las tablas y los marcadores de encabezado añaden algunos caracteres de vuelta. En un informe largo con andamiaje de página en cada página el ahorro es real; en un PDF corto, limpio y con muchas tablas, el Markdown puede salir de un tamaño similar - y sigue siendo mucho más útil para el modelo. La herramienta muestra una estimación (unos cuatro caracteres por token) etiquetada como tal.
¿Detectará los encabezados y tablas de mi PDF?
Los encabezados se detectan siempre que el documento use tipografía más grande o negrita para ellos, lo que cubre casi todos los informes, artículos, manuales y contratos exportados desde Word, Google Docs, LaTeX o InDesign. Las tablas se detectan cuando sus columnas se alinean de forma consistente a lo largo de la página - el caso habitual. Las tablas sostenidas solo por bordes dibujados sin alineación de texto consistente, y las maquetaciones muy diseñadas estilo revista, son los casos difíciles; cuando la cuadrícula parece poco fiable, la herramienta lo dice claramente y conserva el texto en lugar de inventar una tabla.
¿Puedo desactivar partes de la detección?
Sí. La detección de encabezados, listas, tablas, la reunión de palabras con guion, negrita/cursiva y la eliminación del encabezado repetido son opciones individuales, más una opción para añadir marcadores '<!-- page N -->'. El PDF solo se lee una vez, así que cada opción reconvierte al instante y la estimación de tokens se actualiza con ella.
¿Qué pasa con un PDF escaneado?
Un PDF escaneado es una imagen de una página sin capa de texto, y aquí no hay paso de OCR, así que no se puede extraer nada de él. La herramienta te dice claramente qué páginas no tenían capa de texto en lugar de devolver silenciosamente un archivo vacío. Pasa primero el PDF por una herramienta de OCR y luego convierte el resultado.
¿Se sube mi PDF a un servidor?
No. El PDF se analiza con pdf.js enteramente dentro de tu navegador, y el Markdown también se construye ahí. El archivo nunca sale de tu dispositivo, lo que también significa que los contratos confidenciales e informes internos son seguros de convertir aquí.
¿Puedo usar el Markdown en un pipeline RAG?
Esa es una de las principales razones para usarlo. Los encabezados de Markdown le dan a un fragmentador puntos de división naturales - dividir primero en los límites ##, luego en párrafos - así que los fragmentos coinciden con secciones reales en lugar de cortar a mitad de frase, y las tablas se mantienen legibles para el modelo después de fragmentar. Descarga el .md, o cópialo directamente desde la herramienta.