So konvertieren Sie PDF in Markdown
PDF und Markdown stehen an entgegengesetzten Enden der Dokumentenwelt. PDF fixiert jedes Zeichen an einer Position auf der Seite, die überall identisch aussieht; Markdown ist reiner Text, der Struktur beschreibt und das Layout dem Leser überlässt. Die Umwandlung zwischen beiden bedeutet, eine Struktur wiederherzustellen, die die PDF-Datei selbst nie gespeichert hat.
Dieser Leitfaden erklärt, was diese Rekonstruktion wiederherstellen kann und was nicht, wie Sie ein PDF mit dem browserbasierten Konverter dieser Website umwandeln, was der LLM-Schalter verändert und in welchen Situationen ein Konverter schlicht das falsche Werkzeug ist.
Warum PDF und Markdown Gegensätze sind
Ein PDF ist ein Nachfahre des Drucks: Es verzeichnet, dass ein Zeichen an der Koordinate x, y in einer bestimmten Schrift und Größe steht. Nirgendwo in der Datei steht „dies ist eine Überschrift“ oder „diese drei Spalten bilden eine Tabelle“. Die Struktur, die Sie auf dem Bildschirm sehen, wurde vom Anzeigeprogramm rekonstruiert; die Datei speichert nur die Tinte.
Markdown ist das Gegenteil. Es speichert fast nichts über das Erscheinungsbild und alles über die Struktur: Eine Zeile mit Rauten am Anfang ist eine Überschrift, senkrechte Striche begrenzen eine Tabelle, Einrückungen verschachteln eine Liste. Schriften und Abstände entscheidet der Renderer.
Ein PDF-zu-Markdown-Konverter ist also in Wahrheit ein Strukturerkenner. Er liest positionierten Text, erkennt, welche Zeilen größer und fetter gesetzt waren, welche Abstände Absätze trennen, welche Linien sich zu einem Raster fügen, und drückt diese Erkenntnisse in Markdown-Syntax aus. Die Qualität eines Konverters ist die Qualität dieser Erkennung.
Was eine gute Konvertierung bewahrt
An erster Stelle steht die Lesereihenfolge. PDFs, besonders zweispaltige Layouts, speichern Text in einer Reihenfolge, die nichts damit zu tun hat, wie ein Mensch liest. Ein Konverter muss dem visuellen Fluss folgen: erst die linke Spalte vollständig, dann die rechte, Überschriften der Reihe nach, Absätze in Ordnung. Geht das schief, ist das Ergebnis grammatikalisch intakter Unsinn.
Danach kommen die Überschriftenebenen. Fließtext, Bildunterschriften und Überschriften unterscheiden sich in Schriftgröße und -gewicht, und ein Konverter bildet diese Unterschiede auf #, ## und ### ab. Eine perfekte Zuordnung ist unmöglich, wenn der Gestalter für Fließtext eine 13-Punkt-Fettschrift verwendet hat, aber die meisten echten Dokumente folgen konsistenten Konventionen, die der Erkenner aufgreifen kann.
Absatzgrenzen sind wichtiger, als es scheint. Ein Zeilenumbruch im PDF passiert dort, wo die Zeile auf der Seite zufällig endete, nicht dort, wo der Satz endet. Diese Zeilen wieder zu einzeiligen Absätzen zu verbinden, ist der Unterschied zwischen Markdown, das Sie bearbeiten können, und Markdown, das Sie Zeile für Zeile reparieren müssen.
Ein PDF in diesem Tool konvertieren
Der Konverter läuft vollständig in Ihrem Browser: Die PDF-Engine ist WebAssembly, kompiliert aus Rust, und Ihre Datei verlässt das Gerät nie. Ziehen Sie eine oder mehrere .pdf-Dateien auf die Seite; jede wird nacheinander in Markdown umgewandelt, die Ergebnisse erscheinen in einem Vorschaufenster – samt Warnungen für alles Verdächtige.
Eine Warnung sollten Sie kennen, bevor Sie starten: Seiten ohne extrahierbaren Text, typischerweise Scans oder Fotos von Seiten, liefern nichts, und das Tool nennt Ihnen die betroffenen Seitenzahlen, statt Ihnen stillschweigend ein halb leeres Dokument zu übergeben. Dieser Fall hat einen eigenen Artikel, denn die Lösung findet vor der Konvertierung statt, nicht währenddessen.
Nach Abschluss der Konvertierung laden Sie die Markdown-Datei direkt herunter – oder konvertieren mehrere PDFs und holen sie sich in einem Archiv. Alles geschieht lokal, es gibt also kein Dateigrößenlimit jenseits des Gerätespeichers und keine Warteschlange.
Der LLM-Optimierungsschalter
Standardmäßig wird die Textausgabe umbrochen, damit die Zeilen eine lesbare Breite behalten – so verhalten sich pandoc und die meisten Textwerkzeuge seit Jahrzehnten. Dieser Umbruch ist in der gerenderten Ansicht unsichtbar, kostet aber Tokens und erschwert das Diffing für maschinelle Leser.
Der LLM-Optimierungsschalter deaktiviert den Umbruch, sodass jeder Absatz eine einzige lange Zeile ist. Wenn Sie Dokumente an ChatGPT, Claude oder ein lokales Modell verfüttern, lassen sich einzeilige Absätze etwas effizienter tokenisieren, sauber an Absatzgrenzen aufteilen und erzeugen saubere Diffs, wenn sich das Quelldokument ändert.
Der Schalter stellt außerdem das Extraktionsprofil der PDF-Engine auf den Kompaktmodus, der knappe, schlichte Ausgabe gegenüber layouttreuer Ausführlichkeit bevorzugt. Aktivieren Sie ihn, wann immer das Ziel ein Modell ist; lassen Sie ihn aus, wenn das Ziel ein Mensch ist, der die Datei in einem Editor bearbeitet, der Zeilen ohnehin umbricht.
Tabellen: der schwierige Teil
Tabellen verdienen einen eigenen Artikel, denn sie sind wirklich das schwierigste Objekt in der Pipeline. Das PDF-Format kennt kein Tabellenkonzept; eine Tabelle ist nur eine Anordnung von Zeichen in Zeilen und Spalten, manchmal mit gezogenen Linien dazwischen, manchmal mit nichts als Ausrichtung.
Dieser Konverter wendet Tabellenstrukturerkennung auf solche Anordnungen an und gibt GitHub-typische Pipe-Tabellen aus. Einfache Tabellen mit Linien – mit einer Linie unter der Kopfzeile und zwischen den Zeilen – überstehen die Umwandlung meist unversehrt. Rahmenlose Tabellen, mehrstufige Kopfzeilen und verbundene Zellen sind die Stellen, an denen Informationen verloren gehen oder eingeebnet werden; der Tabellenabschnitt in den FAQ geht auf die Details ein.
Der praktische Rat: Erwarten Sie Korrektheit bei sauberen tabellarischen Daten, und prüfen Sie alles Numerische nach. Eine Tabelle, die wunderschön gerendert wird, kann trotzdem eine einzelne Zelle verschoben haben, und keine visuelle Prüfung des Markdown zeigt das. Vergleichen Sie einige Zellen mit dem Original, bevor Sie eine konvertierte Tabelle produktiv einsetzen.
Mehr als Markdown: HTML, RST und LaTeX
Markdown ist das Standardziel, aber dieselbe Pipeline kann ihre Ausgabe einer zweiten Stufe mit der pandoc-Engine übergeben – so erzeugt die Website reStructuredText und LaTeX aus einer PDF-Quelle. Die PDF-Engine produziert Markdown, und pandoc liest dieses Markdown und schreibt das gewünschte Format.
Es gibt einen Grund, warum die Pipeline über Markdown läuft statt direkt zu konvertieren. Markdown ist das robusteste Zwischenformat: pandocs Markdown-Reader rekonstruiert daraus ein abstraktes Dokumentmodell, und dieses Modell steuert jeden anderen Writer. Ein zusätzlicher Schritt, ein bestens getesteter Pfad.
Nutzen Sie die HTML-Ausgabe, wenn Sie gerenderte Inhalte in eine Webseite oder E-Mail einfügen müssen, RST für Sphinx-Dokumentation, LaTeX für wissenschaftliche Arbeiten. Für die meisten PDF-Quellen ist jedoch schlichtes Markdown das Lieferergebnis, und die anderen Formate sind Annehmlichkeiten, nicht der Zweck.
Wann Konvertierung der falsche Weg ist
Manche PDFs sind schlicht der falsche Input. Ausfüllbare Formulare tragen ihre Daten in Feldstrukturen, nicht in fließendem Text – die Konvertierung liefert die Beschriftungen ohne die Antworten. Aufwendig gestaltete Dokumente, Jahresberichte mit Diagrammen als Hauptinhalt und alles, bei dem die visuelle Anordnung Bedeutung trägt, etwa Gedichte mit bewussten Zeilenumbrüchen, kommen eingeebnet heraus.
Zertifikate, gescannte Ausweise und bildlastige Folien sind Bilddokumente im PDF-Gewand. Keine Konvertierungslogik extrahiert Text, der als Pixel gespeichert ist; das erfordert OCR, einen Vorverarbeitungsschritt, den dieses Tool bewusst spezieller Software überlässt.
Für alles andere – Verträge, Paper, Berichte, Dokumentation, Handbuchseiten – funktioniert die Konvertierung, und oft funktioniert sie gut. Der schnellste Weg herauszufinden, auf welcher Seite Ihr Dokument steht, ist, es einmal zu konvertieren und die Warnungen zu lesen: Ein sauberer Lauf ohne markierte Seiten ist ein starkes Signal, dass die Ausgabe unverändert brauchbar ist.