PDF to Markdown 转换工具

把 PDF 变成可读、可检索、可继续加工的 Markdown 语料。

这个技能面向两类常见场景：

• 资料沉淀：把报告/书籍/课程讲义从 PDF 转成可长期维护的 Markdown 知识库
• AI 工作流：把原始 PDF 清洗成更适合 LLM 检索与引用的文本格式

解决的问题

• 扫描版 PDF 直接不可检索，需要 OCR 才能用
• 文字版 PDF 提取后常混有页眉页脚、链接、水印等噪音
• 大文档难拆分，后续很难做主题化引用和索引

核心能力

• 扫描版 PDF：基于 macOS Vision 框架做 OCR 转录
• 文字版 PDF：直接抽取文本，速度快
• 按章节拆分：把长文档拆成多份 Markdown 文件
• 目录索引：自动生成结构化索引，便于后续检索
• 后处理清理：按规则批量去除噪音内容

快速开始

1. 准备转换脚本：复制 template.py 并填写路径和参数
2. 根据文档类型设置：USE_OCR=True/False
3. 运行转换并检查输出质量
4. 用 post_processing.py 执行清理规则

适用人群

• 经常处理 PDF 资料的研究/内容/知识管理工作流
• 需要把 PDF 语料喂给 Agent 或 RAG 系统的人
• 需要章节级切分、索引与批量清洗的场景

文件入口

• instructions.md: 完整流程说明
• QUICKSTART.md: 最短上手路径
• template.py: 转换模板
• post_processing.py: 后处理清理工具
• OPTIMIZE_FOR_AI.md: 面向 AI 检索的结构化优化建议