用 Python 把 pdf 文件转到 markdown，有什么好的库或者方案吗？

[lixuda]

pdf 文件是文本可编辑类型。网上搜索了下，没有找到很好的解决办法，问问大佬，有办法吗？或者转 html，谢谢了。

[MicroBotter]

pdf 的文本只有 pdf/a 才是可以编辑的。你是不可能对任意 pdf 转化成合理的文本。

[MicroBotter]

转换任意 pdf 成文本的难度和写一个识别物体的人工智能难度差不多。

[Latin]

可以转换，但是样式基本就是纯文本

[Latin]

PDF to docx ==> html

[Merlini]

pdf 转文本的话，推荐 PyMuPdf 。
改成 markdown 的话可能你得自己识别里面的字体大小了。

[jdhao]

看看 pandoc 行不行

[SenLief]

如果是纯文本有可能转换，要不然效率太低。

[encro]

可以的。
首先转 html，
然后语义化，
转换为 h1,h2,...p 这样的，
然后换 markdown，很多格式肯定丢掉。

另外：markdown 一些解释器支持 html 好像。

[inframe]

那不如先用 office 转换到 word，然后再转换

[omph]

linux 倒是有 Poppler-utils，可以用其中的命令 pdftohtml，转成 html，字体大小倒是可以保留