PDF转Markdown翻车记

因为最近一直在学习将各种文档转Markdown，所以尝试将一份PDF标准转成Markdown。心想这事儿简单，扔给微软的Markitdown应该分分钟搞定。

结果？翻车了。而且翻得挺彻底。

先说说我踩的7个坑

1. 标题被拆成一字一行

封面上明明写着"团体标准"，转出来变成：

团体标准

我盯着屏幕愣了三秒，心想这就是我之前鼓吹的Markitdown？

2. 目次全是点号

本来该有的层级目录，变成了一串"........"，看着像摩斯电码。

3. 引用文件两列对不齐

规范性引用文件那部分，PDF里是两列对齐的表格，转出来直接散成两堆文字，左边长右边短，完全对不上。

4. 术语定义编号混乱

"3.1 术语名"这种格式，编号和名字分了家，来源还单独占一行，读起来断断续续。

5. 条款编号和正文混在一起

"4.1.1"后面直接粘着正文，没有空格没有加粗，一眼扫过去根本分不清哪是编号哪是内容。

6. 页码页眉散落正文

第几页、标准编号这些页眉信息，全插到正文中间，得手动一个个删。

7. 单位符号乱码

摄氏度变成"摄 氏 度"，立方米变成"m 3"，化学式里的下标全丢了。

我的解决办法

既然Markitdown只管提取不管排版，那就自己写个后处理脚本兜底。

用WorkBuddy调用markitdown库提取原始文本，然后Python脚本走6步清洗：

前后对比

之前，人工整理：

•人工整理要花2-3小时•结构稀碎，基本没法直接用•符号错误率大概40%

之后，workbuddy帮你整理：

•跑完脚本直接可用•层级清楚，格式规范•符号准确率接近100%

核心代码片段

import redef normalize_clauses(text):    # 匹配条款编号，比如 4.1.1    pattern = r'^(\d+\.\d+\.\d+)\s+(.+)$'    def replace_clause(match):        number = match.group(1)        content = match.group(2)        return f"**{number}** {content}"    return re.sub(pattern, replace_clause, text, flags=re.MULTILINE)

逻辑很简单：正则匹配条款编号，加粗处理，再把后面的内容并到同一行。

一点体会

Markitdown这类工具，定位就是"快速提取"，别指望它能理解你的文档结构。标准文件、技术规范这种有严格排版格式的PDF，提取完必须得有个后处理环节。

要么写脚本，要么人工修，选一个。

我选写脚本。一次写好，以后同类文档都能用。

适用场景： 标准文档、技术规范、法规文件这类需要保留层级结构的正式PDF。

你的PDF转换工作流是怎么处理的？

Markdown入门指南；微软开源了一个让我扔掉格式转换工具的利器：MarkItDown