Как конвертировать PDF в Markdown в 2026 (бесплатно и под RAG)

Если вы когда-нибудь копировали абзац из PDF и наблюдали, как он рассыпается в кашу из переносов строк, разорванных дефисов и потерянного форматирования, — вы уже знаете, почему конвертация PDF в Markdown превратилась в 2026 году в серьёзную рабочую задачу.

PDF — универсальная валюта для обмена документами. И одновременно — отвратительный исходный формат. Как только вы захотите подать этот контент в RAG-пайплайн, добавить на сайт документации или просто сохранить в заметках, вам понадобится структурированный текст: заголовки как заголовки, таблицы как таблицы, код как код.

В этом руководстве — три честных способа конвертировать PDF в Markdown: онлайн-конвертер без установки, Pandoc в командной строке и новая волна ИИ-экстракторов вроде marker и Docling. Покажу, какой выбрать под какую задачу, как чинить то, что они ломают (таблицы, формулы, сканированные страницы), и как довести результат до LLM-пайплайна без двойной чистки.

Зачем конвертировать PDF в Markdown?

Одна и та же задача конвертации всплывает в трёх разных сообществах. У каждого свой повод, но целевой формат один.

Подача чистого текста в RAG и LLM-пайплайны

Пайплайны retrieval-augmented generation не любят сырой PDF-текст. Артефакты разрывов страниц, двухколоночная вёрстка, схлопнутая в одну колонку, повторяющиеся колонтитулы — всё это становится шумом в векторной базе и портит retrieval.

Markdown ближе всех практических форматов к «структурированному простому тексту». Крупные модели, обученные на веб-данных, видели миллиарды markdown-документов (README-файлы, ответы Stack Overflow, посты блогов), поэтому распознают # как границы секций и | как разделители таблиц без дополнительных подсказок.

Миграция старых PDF в современные системы документации

Docusaurus, MkDocs, Astro Starlight и Hugo — все ждут markdown. Если у команды 200 PDF со старой внутренней документацией, никакая армия копипастеров вам не нужна — нужен конвертер, сохраняющий иерархию заголовков, чтобы навигация собиралась сама.

Сборка поискового «второго мозга»

Obsidian, Logseq, Foam, Roam — все современные приложения для заметок говорят на markdown. Учёные, оцифровывающие бумажные архивы, knowledge-работники, складывающие отчёты со встреч, и исследователи, собирающие литературные библиотеки, — всем нужно одно и то же: чистый markdown-файл с целой структурой заголовков, чтобы потом grep работал по сотням документов.

Три подхода (когда какой выбирать)

Инструментов десятки, но категорий по сути три. Выбирайте строку под свою ситуацию.

Метод	Скорость	Простые PDF	Сложные PDF	OCR для сканов	Установка
Онлайн-конвертер	Быстро	Отлично	Хорошо	Встроено или автоматически	Не нужна
Pandoc + pdftotext	Быстро	Хорошо	Средне на таблицах	Нет	CLI-установка
ИИ-экстрактор (marker / Docling)	Медленно	Отлично	Отлично	Да	Python + ML-зависимости

Если сомневаетесь — начните с онлайн-конвертера. Минута на попытку, и для большинства разовых или малых задач на этом история заканчивается. Для программных пайплайнов или плотного академического контента — спускайтесь строкой ниже. Более широкую картину рынка мы разбирали в нашем обзоре бесплатных конвертеров Markdown.

Метод 1. Онлайн-конвертация PDF в Markdown (бесплатно, без установки)

Самый быстрый путь — тот, который большинство пропускает, потому что он кажется слишком простым. Для подавляющей доли повседневных задач — заметки со встреч, статьи, отчёты в одну главу — браузерного конвертера более чем достаточно.

Можно сразу закинуть файл в наш бесплатный конвертер PDF в Markdown и пропустить остаток раздела.

Пошаговый workflow

1. Перетащите PDF в зону загрузки (или кликните и выберите файл).
2. Подождите несколько секунд, пока парсер закончит. Документ до 20 страниц обычно конвертируется быстрее, чем вы дочитываете эту фразу.
3. Сравните отрендеренный markdown с исходником справа.
4. Скопируйте исходник или скачайте .md-файл.

И всё. Без аккаунтов, email-стен и водяных знаков.

Когда это лучший выбор

• Разовые конвертации, когда ничего ставить не хочется.
• Быстрая проверка перед тем, как вкладываться в программный пайплайн.
• Чувствительные к приватности файлы, которые не хочется отдавать в чужой API. Наш конвертер обрабатывает файлы в памяти и сразу же их удаляет — никакого постоянного хранения.

Ограничения

У онлайн-конвертеров вообще (не только у нашего) есть два известных режима отказа.

Первый — очень большие или нетипичные PDF. 600-страничное сканированное юридическое раскрытие со встроенными шрифтами и динамическими полями формы — не сценарий «перетащил и скачал» ни для одного инструмента. Если у вас такой случай — переходите к разделу про ИИ-экстракторы.

Второй — сканированные PDF без текстового слоя. Извлекать просто нечего — страница это картинка. Сначала нужен OCR; см. Сложный контент ниже.

Метод 2. Pandoc в командной строке

Pandoc — швейцарский нож конвертации документов. Это правильный выбор, когда нужен воспроизводимый скриптуемый пайплайн и нет желания зависеть от веб-сервиса.

Честная оговорка: у самого Pandoc нет сильного PDF-ридера. Сложившийся в сообществе workflow идёт через pdftotext (из утилит Poppler) и передаёт результат в Pandoc по пайпу.

# Extract text preserving layout, then convert to GFM markdown
pdftotext -layout input.pdf - | pandoc -f markdown -t gfm -o output.md

Для простого текстового PDF — служебная записка, статья в одну колонку — связка работает хорошо и отрабатывает за миллисекунды.

Когда важна точность

Если PDF в основном прозаический, этот пайплайн даёт чистый markdown с сохранённой структурой абзацев. Добавьте флаги -V и --wrap=none, чтобы подстроить вывод под инструменты, не любящие жёсткий перенос строк.

Где Pandoc буксует

• Многоколоночная вёрстка (научные статьи, журналы): pdftotext перемешивает колонки, и на выходе получается нечитаемая каша.
• Таблицы: всё сложнее простейшей двухколоночной сетки обычно приходит как столбцы, разделённые пробелами, а не markdown-pipe.
• Формулы и кодовые блоки: семантика не сохраняется; LaTeX-уравнения превращаются в текст, моноширинный код — в обычные абзацы.
• Сканированные PDF: нулевая поддержка — Pandoc/pdftotext не умеют извлекать текст из изображений.

Конкретно по таблицам: наше руководство по расширенному синтаксису Markdown описывает GFM-формат таблиц, под который стоит подгонять вывод.

Метод 3. ИИ-экстракция (marker, Docling, pymupdf4llm)

Волна layout-aware-экстракторов 2024–2025 годов изменила границы возможного. Эти инструменты сочетают визуальное распознавание макета с OCR и генерацией структурированного вывода — то есть понимают, что вот этот регион — таблица, а вот тот — двухколоночный основной текст. Результат на сложных PDF получается заметно чище.

Три проекта, о которых стоит знать:

• marker — использует surya (модель макета) плюс эвристики. Силён на научных статьях, формулах и кодовых блоках. Лицензия Apache 2.0.
• Docling — от IBM Research. Отличная реконструкция таблиц, нативная интеграция с LlamaIndex и LangChain. Лицензия MIT.
• pymupdf4llm — лёгкая обёртка над PyMuPDF. Быстрее остальных двух, меньше ML-зависимостей, изначально заточен под подачу в LLM.

Минимальный пример на Python

Вот самый короткий полезный пайплайн на Docling:

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("paper.pdf")
markdown = result.document.export_to_markdown()

with open("paper.md", "w") as f:
    f.write(markdown)

Или вариант полегче — pymupdf4llm:

import pymupdf4llm

md_text = pymupdf4llm.to_markdown("paper.pdf")
with open("paper.md", "w") as f:
    f.write(md_text)

Компромиссы

Эти инструменты медленнее, чем пайплайн на Pandoc. На обычном CPU-ноутбуке 30-страничная статья займёт десятки секунд, а не миллисекунды; на GPU marker возвращается к нескольким секундам. pymupdf4llm — самый быстрый из трёх, потому что обходит тяжёлые vision-модели.

Второй компромисс — вес зависимостей. pip install marker-pdf тянет PyTorch и несколько сотен мегабайт весов модели. Если упаковываете это в контейнер — заложите размер заранее.

Сложный контент

Различия между методами становятся очевидными, когда вы перестаёте гонять чистые двухстраничные служебки и начинаете прогонять реальные PDF.

Таблицы, которые не выживают

Таблицы — место, где большинство конвертеров спотыкается. Связка pdftotext + Pandoc почти всегда выдаёт пробельную «колонную кашу», которую ни один markdown-рендерер не разберёт корректно. Онлайн-конвертеры и ИИ-экстракторы тут справляются заметно лучше: они сперва находят регион таблицы и только потом восстанавливают ячейки.

Правило: проверьте первую таблицу до того, как доверять остальным. Если первая искорёжена — остальные 50 будут такими же.

Формулы и LaTeX-блоки

Если в PDF есть уравнения, нужен инструмент, который умеет находить регионы с формулами и выдавать LaTeX-блоки ($$...$$) в markdown. marker это делает; Pandoc — нет. Для научных текстов это, пожалуй, главная причина смириться со скоростью ИИ-экстрактора.

Кодовые блоки и inline-код

Многие PDF рендерят код моноширинным шрифтом, но при экспорте теряют семантический тег «это код». ИИ-экстракторы заново определяют кодовые регионы по визуальному стилю — моноширинному шрифту и отступам — и оборачивают их в тройные обратные кавычки. Pandoc-пайплайны обычно «сплющивают» код обратно в обычные абзацы.

Сноски и цитаты

Научные статьи используют пронумерованные сноски с телом сноски в нижней части страницы. Путь через pdftotext теряет связь между маркером ссылки и телом сноски. Docling и marker сохраняют их в виде корректного markdown-синтаксиса сносок (ссылка [^1] + определение [^1]: тело).

Сканированные PDF (нужен OCR)

Сканированный PDF — это изображение страницы, а не текст. Извлекать нечего, пока вы не прогнали OCR.

Три надёжных пути:

• ocrmypdf — добавляет в сканированный PDF невидимый OCR-слой текста, не меняя визуальный вид. После этого работает любой конвертер дальше по цепочке:

  ocrmypdf scan.pdf scan-with-ocr.pdf
  pandoc scan-with-ocr.pdf -o scan.md
  

• ИИ-экстракторы с режимом OCR — marker и Docling умеют замечать, что у страницы нет текстового слоя, и запускают OCR автоматически. Вывод единый, так что на выходе сразу один markdown-файл, без промежуточного PDF.

• Онлайн-конвертеры с автоматическим OCR — некоторые браузерные инструменты (включая наш — для PDF без текста) прогоняют OCR прозрачно. Удобно, но следите за поддерживаемыми языками, если документ не на английском.

Неочевидная ловушка: «born-digital» PDF (созданный из Word-документа, не сканированный) всё равно может остаться без текстового слоя, если его экспортировали как «сплющенные» изображения. Сначала проверяйте, можно ли выделить текст в PDF-просмотрщике. Если можно — OCR не нужен. Если нет — запускайте.

Подготовка Markdown к подаче в RAG / LLM

Если конечная точка — векторная база, несколько мелких решений в момент конвертации заметно поднимают качество retrieval дальше по пайплайну.

Почему Markdown лучше сырого текста для LLM

Markdown несёт структуру, которую обычный текст теряет. Модель, читающая ## Methods, понимает, что вошла в новый раздел; та же модель, читающая тот же текст без разметки, видит только абзацы одинакового веса. Если вы только знакомитесь с синтаксисом — наше базовое руководство по Markdown читается за 5 минут.

Чанкование по иерархии заголовков

Самая частая ошибка RAG — фиксированный размер чанка: документ режут на блоки по 500 токенов независимо от структуры. Markdown позволяет делить семантически — режьте по границам ## H2 и получите цельные секции вместо обрывков посреди абзаца.

# Coarse chunk: split on H2
sections = markdown.split("\n## ")
# Each section now starts at a section header and contains its sub-tree

Ещё лучше: пройтись по заголовкам как по дереву и прикрепить каждый H3 к родительскому H2 в метаданных чанка.

Сохранение метаданных во frontmatter

Добавьте YAML frontmatter в начало каждого конвертированного файла, чтобы вместе с чанком путешествовала информация об источнике:

---
source: research-paper-2025.pdf
authors: ["Smith, J.", "Doe, A."]
year: 2025
section: "Introduction"
page_range: "1-3"
---

Когда LLM извлекает чанк, эти метаданные превращаются в подвал с цитированием. Это же — способ потом ответить на вопрос «откуда это утверждение?» без повторного retrieval. Если собираете такой пайплайн из экспортов чатов — та же идея применима к транскриптам ChatGPT/Claude.

Частые ловушки и как их избежать

Несколько вещей кусают тех, кто делает это в первый раз.

• Пропуск нормализации кодировки. PDF любит Unicode-фокусы: лигатуры (fi, fl), типографские кавычки (« vs "), длинные тире, похожие на дефисы. Прогоните вывод через нормализацию Unicode (NFKC в Python), прежде чем подавать дальше.
• Оставленные колонтитулы. Подвал Страница 4 из 12 на каждой странице становится шумом в retrieval. Удаляйте повторяющиеся строки, появляющиеся с регулярным интервалом.
• Доверие к первой таблице. Проверьте хотя бы первые две таблицы, прежде чем считать остальные нормальными.
• Допущение «born-digital значит есть текстовый слой». Некоторые PDF экспортируются как сплющенные изображения, даже если родились из Word-документа. Сначала пробуйте выделить текст.
• Излишнее чанкование маленьких документов. Для трёхстраничной служебки просто скормите весь markdown модели и пропустите RAG. Retrieval — избыточен, когда контекстное окно > документа.

FAQ

Какой бесплатный конвертер PDF в Markdown лучший?

Для большинства пользователей самый быстрый путь — онлайн-конвертер: перетащил, нажал, готово. Для пакетной или программной работы pymupdf4llm (Python) и Pandoc (CLI) покрывают простые случаи. Для научных статей с таблицами и формулами marker и Docling дают заметно более чистый вывод. «Лучший» выбор зависит от того, что вы оптимизируете: время на установку или точность результата.

Может ли ChatGPT или Claude конвертировать PDF в Markdown?

Могут, с оговорками. Оба умеют читать PDF напрямую и выдавать markdown, но на длинных документах вы упрётесь в лимит контекста, а точность по таблицам и формулам разнится от запроса к запросу. Для детерминированной пакетной конвертации специализированный конвертер надёжнее. См. экспорт ChatGPT в Word/PDF/HTML — там разобран связанный сценарий туда-обратно.

Как конвертировать сканированный PDF в Markdown?

Сначала запустите OCR. Самый чистый путь — ocrmypdf добавляет текстовый слой, и дальше работает любой конвертер. Альтернатива: у marker и Docling OCR встроен, и они выдают markdown сразу из PDF-картинок.

Конфиденциальна ли онлайн-конвертация PDF в Markdown?

В нашем конвертере файлы обрабатываются в памяти и удаляются сразу после конвертации — аккаунт не требуется, постоянного хранения нет. Другие сервисы различаются; проверяйте политику конфиденциальности любого инструмента, особенно для конфиденциальных документов.

Как сохранить таблицы при конвертации PDF в Markdown?

Пропустите связку pdftotext + Pandoc на PDF с большим количеством таблиц — она их почти всегда ломает. Используйте онлайн-конвертер, который выдаёт GFM-таблицы, или ИИ-экстрактор вроде marker или Docling. В любом случае проверяйте первые таблицы вручную.

Хранить ли оригинал PDF или только Markdown?

Храните оба. Markdown — для подачи, поиска и редактирования. PDF — источник истины для цитирования и аудита. Указывайте имя PDF-файла и диапазон страниц во frontmatter markdown, чтобы всегда можно было проследить утверждение до его источника.

Готовы конвертировать первый PDF?

Если нужен просто результат — наш бесплатный конвертер PDF в Markdown справляется с повседневными случаями без регистрации. Следующий шаг — превратить этот markdown в чистый Word или PDF под рассылку — описан в руководстве Markdown в Word.

References

• Pandoc User's Guide — канонический справочник по CLI-конвертации.
• GitHub Flavored Markdown Spec — диалект, на который ориентирован вывод этого руководства.
• Docling (IBM Research) — open-source layout-aware PDF-экстрактор.
• marker — open-source PDF-в-markdown с сильной обработкой научных статей.
• pymupdf4llm — лёгкая обёртка над PyMuPDF для извлечения markdown.
• OCRmyPDF — добавляет поисковый текстовый слой к сканированным PDF.