把 datasheet 从 PDF 转成 Markdown,我卡在电气特性表上

想把 LAN8720A 的规格书喂给 AI 抽参数，结果还没轮到 AI 发挥，我先卡在了最前面一步。

这份 PDF，得先变成 Markdown。

我原以为这是最简单的一步，点一下转换的事。试下来才发现，对硬件 datasheet 这种表格密集的文件，PDF 转 Markdown 是整个工作流里最不起眼、却最碍事的一道坎。

datasheet 里最要命的信息，基本不在正文段落，而在三个地方：电气特性表、寄存器和位域图、曲线图。

PDF 是个排版格式，它只记得“这个字在这个坐标”，不记得“这是一个表”。文字层、表格线、图，全压在一起。

你直接把 PDF 丢给 AI，它要么把表当图去“看”，猜；要么硬抽文字，抽出来是乱的。上次让它读 LAN8720A，翻车在“看图猜数”——现在回头看，根子不在 AI 笨，在我喂进去的东西本来就是一坨没结构化的排版。

上次跑原理图评审那篇实测，这步我也只是一带而过，说后面单开一篇专门讲——这篇就是来填这个坑的。

所以不管后面你要做 RAG、抽参数还是搭知识库，前面这道 PDF→Markdown 的坎，绕不过去。

LAN8720A 是电子版 PDF，文字能复制，不是扫描件，我先按“矢量文本”的路子，上了 MarkItDown。

它本地跑，快，文字层出来得很顺，段落在、标题在。但它的强项就是矢量文本，不怎么做深度版面分析——LAN8720A 是双栏排版，它不认栏，把左栏某行和右栏某行横向拼到一起，语序直接错乱，读起来像两个人同时说话被录进了同一行。电气特性表也错位，参数名和数值串行。

更要命的是 datasheet 里那些内嵌的图——寄存器位域图、曲线图，很多是图片对象不是文字。MarkItDown 遇上图片型的内容效果就不好，这些它基本抓瞎。

换 MinerU。它路子不一样，不是简单提文字，而是先做版面分析：识别这页有几栏、阅读顺序怎么走、哪块是表格哪块是图，再输出结构化的 Markdown，还能给 JSON。双栏它认得出来，语序没乱；电气特性表也比 MarkItDown 强，大部分能成表。

但寄存器位域图、曲线图这种，它识别得出“这是一张图”，图里的数还是得靠视觉模型去认，位域表照样崩成乱码。特别复杂的合并表头，偶尔也还会错位。

共同的硬伤，还是落在“图”上。而 datasheet 最值钱的电气特性表和寄存器图，恰好一个在表格、一个在图。

解析工具不顶用，我想着自己控，就用 Python 脚本（pdfplumber这类抽表格的库）来抽。

好处是能精细操作：指定页、指定区域、按单元格抽。

但很快发现，卡点和上面一模一样。pdfplumber 抽电气特性表，合并表头那几行经常错位；跨页的大表拼起来，页眉页脚混了进去；寄存器位域图，还是抽不动。

我能靠脚本修一部分——手动指定哪一行是表头、把合并单元格拆开、删掉页眉的干扰行。但每修一处，都得对着这一份 PDF 的具体排版调。

换一份 datasheet，排版一变，参数又得重调。

说白了，脚本能搞定一份你反复用的规格书，但它不通用。换一颗芯片，又是一场新的折腾。

我自己反复用、实测过的是 MarkItDown 和 MinerU这两个，各有侧重：矢量文本、要快，上 MarkItDown；版面复杂、表格多、要喂 RAG，上 MinerU。

其他类型我也整理了个选型参考（部分没细测，按需选）：

试了一圈，一个挺扫兴的结论：

文字层，AI 和工具都能搞定。真正的难点，从头到尾都是表格和寄存器图。

所以我把这一步从“自动转换”改成了“半自动 + 人工校表”：

慢，但可靠。

而且这一步省不得。因为后面的 RAG、抽参数、知识库，全指望这份 Markdown 干净。输入脏，后面全白搭。

不是清单控，是这几处错的频率实在太高：

核完这几项，这份 Markdown 才敢往工作流的下一步喂。

我现在在试一个半自动的校法：让 AI 转完一张表，再让它自己对着原图查一遍错，相当于转完自带一道复核。

还没完全跑通。它有时候“自己查自己”，查得很敷衍。

等跑通了再单独写一篇。

转成干净的 Markdown 只是第一步。接下来怎么让 AI 稳稳地抽参数、不让它编数，我把提示词整理成了模板。

关注「硬件AI工坊」，回复 Datasheet领取。

让 AI 读 Datasheet，我发现它既好用也危险

既然看到这里了，如果觉得有用，随手点个赞、在看、转发三连吧。

THANKS FOR READING