如何用 Python 把 PDF 轉成 Markdown

為什麼選 Markdown？以及為什麼這比看起來難

LLM 對 Markdown 的處理能力特別好：標題標出章節邊界、管線符號表格讓表格資料保持對齊、清單依然是清單。把 PDF 直接抽出的原始文字餵給模型，這些全都會流失 — 而把 PDF 二進位檔直接餵進去，對多數管線來說根本不可行。這就是為什麼幾乎所有認真的 RAG 架構，都會在切塊與嵌入之前先把文件轉成 Markdown。

難點在於 PDF 並不包含結構 — 它包含的是被放置在 x/y 座標上的字元。轉換器必須反推哪些行是標題（從字型大小）、哪些字組成表格（從對齊方式）、閱讀順序是什麼（從版面分析）。各函式庫在這方面的表現差異極大，這正是選擇很重要的原因。

第二個麻煩：掃描的 PDF 完全不含文字，只有頁面的影像。下面的選項中，只有部分能透過 OCR 處理這種檔案。

選項 1：PyMuPDF4LLM — 快速輕量

PyMuPDF4LLM 是建立在 PyMuPDF（fitz）之上、專為 LLM 管線打造的輕量層：pip install pymupdf4llm，然後 md = pymupdf4llm.to_markdown("doc.pdf") — 一行搞定，而且速度非常快，多數文件遠不到一秒就能處理完。

它會從字型大小偵測標題、把表格輸出成管線符號表格，還能連同中繼資料輸出頁面區塊，直接匯入 LlamaIndex 或 LangChain。對於版面單純的數位原生 PDF — 報告、技術文件、格式不花俏的論文 — 它是非常好的預設選擇。

限制：沒有 OCR，掃描頁會回傳空白。複雜的多欄版面與精細的表格可能會亂掉，因為底層的啟發式演算法重視速度勝過深度版面分析。授權提醒：PyMuPDF 採 AGPL — 內部工具沒問題，但要放進商業產品之前，請先和您的法務團隊確認。

選項 2：Marker — 品質最高，需要 GPU

Marker 使用一整條深度學習模型管線來做版面偵測、閱讀順序與表格結構，產出的 Markdown 是所有開源選項中最忠實的 — 多欄學術論文、複雜表格，甚至數學式都能處理。

代價是基礎設施：好幾 GB 的模型權重、需要 GPU 才有合理速度（CPU 也能跑但很慢 — 常常一份文件要數十秒），加上沉重的相依套件，要部署到生產或無伺服器環境得花不少功夫。

當困難文件的輸出品質是第一優先、而且您有硬體時，選 Marker — 在 GPU 機器上批次轉換學術文獻語料庫是它的最佳舞台。若是輕量服務或無伺服器函式，營運上的重量通常會讓它出局。

選項 3：MarkItDown — 微軟的全格式轉換器

MarkItDown 是微軟開源的「萬物轉 Markdown」函式庫：pip install markitdown，然後 MarkItDown().convert("doc.pdf").text_content。它的強項是廣度 — 同一套 API 能轉 PDF、DOCX、PPTX、XLSX、HTML 等多種格式，這也是它在 LLM 資料準備領域爆紅的原因。

單就 PDF 而言，它的擷取比專門的選項簡單：它依賴基本的文字擷取，所以標題偵測與表格還原度落後 PyMuPDF4LLM 和 Marker，掃描 PDF 還需要額外設定 OCR。

當您需要一個相依套件以中等品質涵蓋多種檔案格式時 — 例如必須接受「使用者上傳什麼都收」的內部匯入腳本 — 選 MarkItDown，而不是追求最佳的 PDF 輸出。

選項 4：託管 API — 完全零相依

第四個選項是不在本機執行轉換：把 PDF POST 到解析 API，直接拿回 Markdown。用 ParseJet 的話：resp = httpx.post("https://api.parsejet.com/v1/parse/auto/file", headers={"Authorization": "Bearer KEY"}, files={"file": open("doc.pdf", "rb")}) — JSON 回應中的 "text" 欄位就是 Markdown。

這條路內建掃描頁 OCR、不必安裝模型權重或原生函式庫，而且在無伺服器函式、容器或 notebook 中的行為完全一致。它也徹底避開了 AGPL 的問題。代價是一次網路往返，以及超過免費額度後的按件計費（每月免費 300 點數；一份 PDF 消耗 3 點數）。

想讓管線今天就上線、您的 PDF 裡混有掃描檔，或部署環境不適合沉重的相依套件 — Lambda、Cloud Run、Vercel — 就選 API。

該選哪一個？

數位原生 PDF、版面單純到中等、速度重要：PyMuPDF4LLM。它是純 Python 裡投入產出比最好的選擇。

困難文件（多欄論文、複雜表格）而且您有 GPU：Marker。輸出品質沒有任何開源方案能贏它。

要用同一個函式庫處理多種檔案格式、中等品質即可：MarkItDown。

混有掃描 PDF、要部署到無伺服器環境，或完全不想管理相依套件：託管 API。一次 HTTP 呼叫、內建 OCR，每份文件都是同一套輸出結構。

完整範例：整個 PDF 資料夾轉成 Markdown 檔

無論選哪條路，管線的形狀都一樣 — 走訪、轉換、寫出。以下用 API 示範（把內層呼叫換成 pymupdf4llm.to_markdown() 就能改在本機執行）：

import httpx; from pathlib import Path — 接著對 Path("pdfs/").glob("*.pdf") 中的每個 pdf 執行：resp = httpx.post("https://api.parsejet.com/v1/parse/auto/file", headers={"Authorization": "Bearer KEY"}, files={"file": pdf.read_bytes()}); Path("md/", pdf.stem + ".md").write_text(resp.json()["text"], encoding="utf-8")。

要做 RAG 匯入的話，請依標題切塊，而不是依固定字元數 — 依標題切出的區塊能保持章節完整，檢索效果好非常多。這種結構保真度，正是值得認真做好轉換這一步的原因。