PDF vers Markdown

Titres, listes, tableaux et images convertis en Markdown propre, avec un lot de fragments en option pour une base de connaissances. En local.

Ouvrir dans PDF ARENA

L'ordre de lecture d'abord

Les deux colonnes, les encarts latéraux et les en-têtes courants sont démêlés avant qu'un seul caractère ne soit écrit.

Des tableaux avec un verdict

Chaque tableau porte un indice de confiance. Un tableau douteux est signalé, jamais inventé en silence.

Un paquet, pas un déversoir

Des fragments avec leur chemin de titres, leurs pages et leur empreinte. À verser directement dans une base de connaissances.

Du Markdown qui garde la forme du document

Un PDF ne contient pas de paragraphes. Il contient des fragments de texte, chacun accompagné d'une matrice qui dit où le peindre. Videz-les dans l'ordre du fichier et vous obtenez du charabia dès qu'une page a deux colonnes, un encart latéral ou une bannière répétée en haut de chaque feuille. Le travail se fait donc avant qu'il n'existe le moindre Markdown. Les fragments deviennent des lignes de lecture, les lignes se rangent en colonnes, les bannières courantes sont repérées puis écartées, et alors seulement la prose devient titres, puces et grilles. Les niveaux de titre sortent des tailles que votre document emploie réellement, classées : la plus grande passe en premier, quelle que soit sa mesure. Un seuil fixe se trompe à chaque fois sur un titre de 18 points dans un rapport composé en corps 11. Tout cela dans votre navigateur. Rien ne circule.

Comment convertir un PDF en Markdown

1

Ouvrez votre PDF

Déposez-le. La conversion démarre aussitôt et le fichier reste sur votre machine.

2

Lisez ce qui en sort

Le résultat arrive dans un cadre modifiable. Corrigez un titre, recollez une phrase coupée, effacez une ligne parasite.

3

Choisissez votre variante

GitHub, CommonMark, MDX, Obsidian ou Notion. Images dans un dossier ou intégrées. Grilles en Markdown, HTML ou CSV.

4

Téléchargez, ou construisez le paquet

Un seul .md, ou un ZIP contenant les fragments, les images, les grilles et la provenance pour une base de connaissances.

Ce qui est reconstruit, et ce qui est signalé

Les colonnes se trouvent en traquant les gouttières : des bandes verticales qu'aucune ligne ne traverse, couvrant presque toute la hauteur du bloc de texte. La largeur seule ne prouve rien. Un rapport sur une seule colonne où traîne une grille à deux cellules présente des espaces étroits un peu partout, et un seuil posé sur la largeur prendrait chacun d'eux pour une frontière de colonne ; ce qui tranche, c'est qu'une vraie gouttière est respectée par toutes les lignes de texte courant, et la part de hauteur couverte de chaque côté décide. Les bannières courantes sont rapprochées chiffres neutralisés, puisque « Page 3 sur 40 » et « Page 4 sur 40 » sont un seul et même pied de page. Six pages sur dix. En dessous, la ligne reste. Les grilles sont la partie honnête. Trois lignes consécutives ou plus dont les fragments commencent à des positions x à peu près identiques forment un tableau ; la prose, non. Les frontières se regroupent avec une tolérance proportionnelle au corps du texte, et chaque tableau sort avec un indice de confiance : la part de ses lignes qui les respectent vraiment. En dessous de 0,6 il est tout de même écrit, signalé, et remonté en avertissement. Inventer des cellules serait pire. Les images arrivent découpées dans la page rendue à 216 ppp plutôt qu'extraites du flux d'origine. Cela coûte la résolution native, et cela achète la survie face à tous les encodages qu'un PDF peut transporter. Le paquet contient un fragment par ligne en JSONL, chacun avec son chemin de titres, ses pages, une estimation de jetons et son SHA-256, plus une carte qui nomme la page d'où sort chaque bloc. Les fragments se coupent sur les bords de bloc. Toujours. Casser un paragraphe en milieu de phrase pour atteindre un quota de jetons donne des morceaux que personne ne lit seuls, ce qui ruine la recherche.

Pourquoi celui-ci

L'ordre de lecture réglé d'abord : colonnes, encarts, bannières répétées.

Les tableaux portent un indice de confiance, et un tableau douteux le dit.

Fragments, provenance et empreintes dans un seul paquet, assemblé sur votre machine.

Questions sur PDF vers Markdown

Réponses courtes, limites comprises

Gère-t-il les documents sur deux colonnes ?
Oui. Les gouttières sont cherchées page par page et chaque colonne est lue de haut en bas avant que la suivante ne commence. Les articles et les magazines sortent dans l'ordre où une personne les lit, pas dans l'ordre où le fichier les stocke.
Les tableaux sont-ils fiables ?
Ils arrivent avec un chiffre qui vous le dit. Un PDF ne connaît pas la cellule, seulement des positions : un tableau est donc toujours une reconstruction. Au-dessus de 0,6 il est en général exact ; en dessous, il vient avec un avertissement pour que vous alliez voir. Rien n'est inventé.
Que deviennent les images ?
Elles sont repérées dans le flux de contenu, puis découpées dans la page rendue à 216 ppp, soit dans un dossier d'images, soit intégrées en base64. Vous pouvez aussi les ignorer.
Qu'y a-t-il dans le paquet RAG ?
document.md, chunks.jsonl avec un fragment par ligne portant son chemin de titres et ses pages, metadata.json avec les décomptes et les avertissements, source-map.json avec la position de chaque bloc, plus les images et les grilles en CSV.
Convertit-il les formules en LaTeX ?
Pas encore, et il le dit au lieu de les massacrer. Les passages mathématiques sortent comme la suite de caractères qu'ils contiennent : lisibles, mais pas du LaTeX valide.

Mise à jour le

Faites-en plus avec vos PDF

Découvrez tous les outils professionnels que nous avons préparés pour vous. Tout en un seul endroit.