PDF a Markdown

Texto con parte de su estructura conservada

Extraer texto plano de un PDF te da las palabras pero pierde la forma del documento: lo que era un encabezado se ve igual que un párrafo. Esta herramienta da un paso más y compara el tamaño de letra de cada línea de texto con el tamaño más común de la página, el texto del cuerpo, y convierte las líneas notablemente más grandes en encabezados Markdown, para que un documento con una estructura clara de títulos y secciones salga más legible que un muro plano de texto.

Cómo se calculan los encabezados

El texto con un tamaño de aproximadamente 1,15 a 1,35 veces el del cuerpo se convierte en un encabezado de nivel tres, de 1,35 a 1,7 veces en nivel dos, y cualquier cosa mayor en encabezado de nivel uno. Es una heurística basada en el tamaño, no una comprensión real de la estructura del documento, así que funciona mejor en documentos con una jerarquía visual clara y consistente, como un informe con títulos de sección evidentes, y peor en documentos que usan texto en negrita o un estilo poco habitual para dar énfasis en lugar del tamaño.

Qué más obtienes

El Markdown de cada página se separa con una línea horizontal, para que veas dónde terminó una página y empezó la siguiente en el documento de origen, un contexto útil si un encabezado queda partido por un salto de página incómodo.

Lo que no hace

Esto no detecta negrita, cursiva, enlaces, tablas ni listas, solo encabezados basados en el tamaño; todo lo demás sale como texto de párrafo normal. Para el texto exacto sin ningún intento de estructura, usa extraer texto de un PDF en su lugar. Los PDF escaneados sin capa de texto real necesitan antes OCR de PDF. Tu archivo se procesa por completo en tu navegador y nunca se sube.