我折腾了3小时把100M扫描PDF转成MD，最后被一个网页10秒秒杀

一个人花三个小时折腾一件事，最后发现一个免费网页10秒就能搞定。

这不是笑话，这是我今天的真实经历。

我把这段经历写下来，不是为了炫耀踩坑能力，而是想帮你省掉那三个小时——如果你也有「PDF转Markdown」的需求的话。

为什么要把PDF转成Markdown？

先说背景，省得有人觉得这个需求很奇怪。

随着AI工具普及，越来越多的人开始用大模型处理文档：上传合同让AI提炼条款，上传报告让AI做摘要，上传技术手册让AI解答问题。

问题来了——PDF是一种「展示格式」，不是「处理格式」。它的本质是把内容冻结在一个固定的视觉快照里，对机器极不友好。

Markdown就不同了。它是纯文本，结构清晰，AI读起来高效，人工编辑也方便，还能无缝接入各种笔记工具（Obsidian、Notion、思源笔记、Logseq……）。

把PDF转成MD，是让文档从「存档状态」变成「可用状态」的关键一步。

这个需求，听起来很简单。但当你真正动手的时候，你会发现——它一点都不简单。

PS：我个人常用的就是思源笔记，一个All in One的笔记软件，用于搭建我的知识库，对markdown的支持非常友好，这就是我为什么会转换pdf等格式到markdown，方便导入并以大纲形式编辑，这个后续会再单独介绍。

第一回合：文字版PDF，工具轻松拿下——但没想象中聪明

我先是上传了一份普通的文字版PDF，不是扫描件，文字可以直接选中那种。

使用的是腾讯出品的marvis（本质是一个AI Agent，智能体），节省token。在marvis中安装了“markitdown”这个Skill。

这个Skill调用的工具是微软开源的 markitdown，GitHub 上已经超过 11 万 Star，算是这个赛道的明星项目。

我直接上传PDF，下达指令：「转为MD文档。」

几秒钟，结果出来了。

速度是真的快，没话说。但打开MD文件一看——就是纯文字识别，把PDF里的内容原样扒了出来。没有标题层级，没有大纲结构，就是一个从头到尾的文字块。

说实话，这个效果，用 umi-ocr 也能做到，直接上传文件点击识别，每页它自己OCR，全部合并成一个TXT文件，把后缀改成md，效果大差不差。

markitdown 主打的「语义结构保留」——标题还是标题、表格还是表格——在我这份文字版PDF上压根没发挥出来。可能是PDF本身排版层级不明显，工具也没办法「无中生有」地帮你补结构。

这——肯定是达不到我的要求滴！

第二回合：100M扫描PDF，噩梦开始

紧接着，重头戏来了。

我试着上传一份扫描版PDF——每一页都是一张图片，没有文字层，纯图像。我的要求很明确：

转为MD文件，保留里面的图片、表格、公式的结构。

于是，MARVIS开启了「疯狂作业模式」：

先自动安装 PaddlePaddle 试试水——不行，版本不兼容。

又装 TesseractOCR——跑起来了，但识别效果一般，对中文表格支持不好。

再换 EasyOCR——终于选定，开始正式干活。

因为文件太大（100多M），第一次跑了十几分钟，直接内存溢出中断。

工具没有放弃，换了策略：先把整份PDF每一页渲染成图片，然后分成3个阶段逐批OCR识别，最后合并输出MD文件。

具体工作日志如下图:

整个过程跑了将近两个多小时。

电脑风扇嗡嗡响，16G的内存基本都要占满，只能保持不动，别提再做其他操作了。

最终产物出来了。

一个MD文件，加一个图片文件夹。

打开MD，心凉了半截。

没有大纲标题，没有结构分层。

所谓「保留图片」，是把每一页的原始扫描图直接插进MD里，而不是「在表格位置插表格图片，在公式位置插公式截图」——那是我预想中的「精细结构还原」，现实是把原图整页整页地塞进去，OCR文字跟在后面。

本质上，这和直接把PDF里的每张图截出来，再附上OCR文字，没有本质区别。

折腾了两小时，离我想要的效果，差得不是一点半点。

第三回合：在线工具出场，被速度震惊

被本地工具教育了一整个下午之后，我决定试试在线工具。

我选了两个：MinerU在线版 和 PaddlePaddle 在线版。

两个工具的体验高度一致：

上传PDF → 等待几秒到十几秒 → 下载MD文件。

就这样。转换后就可以下载所要的文件了。

以MinerU转换文字版为例，可以左右两边输出转换前后的对比，基本保持了原版大纲标题

然后右上角点击下载即可以。

值得一提的是，下载的md文件是单文件，要保留图片之类的话，它是在文档中以链接形式存在，后续可编辑替换或者使用图床之类。

然后上传扫描版PDF到PaddlePaddle 在线版转换。(两个软件为什么分开识别不同文件？因为他们对文件大小和页数限制不一样，我这个扫描版文件页数比较多。不影响对比)

PaddlePaddle转换效果如下，也保持了大致的层级大纲

这两个在线工具转换完总耗时不到两分钟，速度快到我以为自己哪里操作错了，赶紧打开下载的本地MD文件验证——

大纲标题保留了。目录结构清晰。图片大体在正确的位置。

和我在本地折腾两个小时的成果相比，简直是降维打击。

当然，两个工具之间也有差别，主要体现在图片处理方式上：

MinerU 的图片用的是在线链接引用。速度极快，文件体积小，但图片托管在它的服务器上——如果链接哪天失效，你的MD里就全是断图，一片空白。

PaddlePaddle 在线版 的图片用HTML标签嵌入。不依赖外部服务器，离线查看没问题，但MD文件体积会比较大，而且HTML标签在部分纯Markdown编辑器里不一定能正常渲染。

如果你的文档只用一两次，MinerU完全够用，快就是生产力。

如果你要把MD长期存档，多年后还要能打开看，PaddlePaddle的本地嵌入更稳妥。

但也要注意两者对上传的文件的大小及页数的限制。可查看上面上传文档时的截图标记。

三轮下来，我学到了什么？

现在，我们来思考一个问题：

一个免费在线工具，10秒能做完的事，为什么有人愿意花两个小时在本地折腾？

答案只有一个：数据不能离开你的电脑。

这是本地工具唯一真正无法被替代的价值——数据主权。

如果你处理的是合同、财报、内部报告、客户隐私文件，那些绝对不能上传到任何外部服务器的东西，那么本地部署是你唯一的选择，再慢再麻烦也得折腾。

但是，如果你处理的只是普通技术文档、公开资料、个人学习材料——

那就不要浪费自己的时间了。

在线工具无论是速度、效果还是易用性，都已经把本地方案按在地上摩擦。

因为，

在线工具他们的后台处理速度也确实比我本地电脑处理速度快。

选工具，先回答这一个问题

经过这三轮折腾，我把选工具的逻辑浓缩成了一张表：

使用在线工具之前，你只需要回答一个问题：

这份文档能上网吗？

能上网——在线工具，10秒解决，完事。

不能上网——本地工具，准备好时间和耐心。

最后说一句

我发现很多人（包括我自己）在面对工具选择的时候，有一种「本地部署才是硬核」的执念。

觉得用本地工具才叫真正掌握技术，用在线工具像是在作弊。

但这个想法是有问题的。

工具是手段，不是目的。你真正需要的，是那份干净可用的MD文档，而不是在部署本地OCR环境这件事上消耗你的精力。

把时间留给真正重要的事。

如果一个在线工具10秒能帮你解决问题，那它就是最好的工具——不管它看起来多"简单"。

我在本地工具上折腾了三个小时，才学会了这句话。

你不用了。

本文工具清单（都是免费可用的）：· MinerU：opendatalab.com/MinerU· PaddlePaddle在线文档转换：aistudio.baidu.com· MarkItDown（微软开源）：github.com/microsoft/markitdown