PDF para Markdown
Transforme um PDF em Markdown limpo com títulos '#' reais, listas com marcadores e numeradas, e tabelas no estilo GitHub - reconstruídos a partir dos tamanhos de fonte e posições de coluna reais da página, não adivinhados a partir de um despejo de texto simples. Feito para quem converte um PDF em Markdown para economizar tokens antes de colar no ChatGPT, Claude, Gemini, DeepSeek ou Grok.
Como a estrutura é realmente detectada
Um PDF não tem títulos, nem listas, nem tabelas. Ele só tem glifos em coordenadas. Por isso, em vez de simplesmente despejar o texto, este conversor lê cada trecho de texto junto com sua posição, tamanho de fonte e nome de fonte, e reconstrói a estrutura a partir disso:
- Títulos por agrupamento de tamanho de fonte. O tamanho que cobre mais caracteres em todo o documento é o texto do corpo. Tamanhos claramente maiores viram
#,##,###em ordem decrescente. Linhas curtas, em negrito e isoladas no tamanho do corpo também são identificadas como subtítulos. - Listas a partir do glifo inicial. Uma linha que começa com •, -, * ou "1." / "2)" vira um item de lista Markdown de verdade, e as linhas de continuação quebradas são reincorporadas ao item ao qual pertencem.
- Tabelas por agrupamento de posição x. Uma coordenada x onde várias linhas diferentes começam um trecho de texto é uma coluna real. Um bloco precisa de três ou mais linhas consecutivas concordando em pelo menos duas colunas antes de ser gerado como tabela - e se a grade resultante estiver majoritariamente vazia, ela é marcada como incerta e mantida como texto simples em vez de virar uma tabela malformada.
- Remoção de ruído. Linhas que se repetem no topo ou no rodapé da maioria das páginas são cabeçalhos e rodapés recorrentes, então são removidas (números de página são identificados pelo formato, então "Página 3 de 12" e "Página 4 de 12" contam como a mesma linha). Palavras divididas por hífen no fim de uma linha são reunidas.
Os limites de página são preservados como comentários HTML <comment/> em vez de títulos visíveis, porque um "## Página 2" seria lido por um analisador de Markdown - e por um modelo de linguagem - como uma estrutura de documento real que não existe.
Perguntas frequentes
Por que converter um PDF em Markdown antes de usar ChatGPT ou Claude?
Porque o Markdown diz a mesma coisa com menos ruído e mais estrutura. Um despejo de texto simples de um PDF repete o cabeçalho e rodapé em cada página, quebra palavras no fim das linhas com hífens, e dá ao modelo uma linha curta por linha visual sem indicação do que era um título, uma lista ou uma tabela. Os títulos e tabelas em Markdown dizem ao modelo exatamente como o documento está organizado, o que melhora as respostas obtidas - e remover os elementos de layout significa que você não paga tokens por texto que não carrega significado.
Converter para Markdown realmente reduz os tokens para IA?
Depende do documento, e esta ferramenta mostra o número real em vez de uma afirmação de marketing. Os ganhos claros vêm da remoção de cabeçalhos e rodapés repetidos, do refluxo de linhas quebradas forçadamente, e da reunião de palavras hifenizadas (uma palavra dividida como "trans-" mais "porte" é tokenizada como vários fragmentos em vez de um). Em compensação, as barras das tabelas e os marcadores de título adicionam alguns caracteres de volta. Em um relatório longo com elementos de layout em cada página, a economia é real; em um PDF curto, limpo e cheio de tabelas, o Markdown pode sair com tamanho parecido - e ainda é muito mais útil para o modelo. A ferramenta mostra uma estimativa (cerca de quatro caracteres por token) rotulada como tal.
Ele detectará os títulos e tabelas do meu PDF?
Títulos são detectados sempre que o documento usa fonte maior ou negrito para eles, o que cobre quase todos os relatórios, artigos, manuais e contratos exportados do Word, Google Docs, LaTeX ou InDesign. Tabelas são detectadas quando suas colunas se alinham de forma consistente ao longo da página - o caso usual. Tabelas mantidas apenas por bordas desenhadas sem alinhamento de texto consistente, e layouts muito elaborados estilo revista, são os casos difíceis; quando a grade parece pouco confiável, a ferramenta diz isso claramente e mantém o texto em vez de inventar uma tabela.
Posso desativar partes da detecção?
Sim. Detecção de títulos, listas, tabelas, reunião de hifenização, negrito/itálico e remoção do cabeçalho repetido são todos alternáveis individualmente, mais uma opção para adicionar marcadores '<!-- page N -->'. O PDF é lido apenas uma vez, então cada alternância reconverte instantaneamente e a estimativa de tokens se atualiza junto.
O que acontece com um PDF escaneado?
Um PDF escaneado é uma imagem de uma página sem camada de texto, e não há etapa de OCR aqui, então nada pode ser extraído dele. A ferramenta diz claramente quais páginas não tinham camada de texto em vez de retornar silenciosamente um arquivo vazio. Passe o PDF por uma ferramenta de OCR primeiro e depois converta o resultado.
Meu PDF é enviado a um servidor?
Não. O PDF é analisado com pdf.js inteiramente dentro do seu navegador, e o Markdown também é construído lá. O arquivo nunca sai do seu dispositivo, o que também significa que contratos confidenciais e relatórios internos são seguros de converter aqui.
Posso usar o Markdown em um pipeline RAG?
Essa é uma das principais razões para usá-lo. Os títulos em Markdown dão a um fragmentador pontos de divisão naturais - dividir primeiro nas fronteiras ##, depois em parágrafos - então os fragmentos se alinham com seções reais em vez de cortar no meio de uma frase, e as tabelas permanecem legíveis para o modelo após a fragmentação. Baixe o .md, ou copie diretamente da ferramenta.