PDF naar Markdown

Een PDF aan een taalmodel, een zoekindex of een notitie-app geven begint met de woorden eruit halen. Een contract van negentig pagina's plak je niet in een chatvenster, en wie het pagina voor pagina uit de viewer overneemt, raakt al snel kwijt waar welke passage vandaan kwam. Markdown met paginamarkeringen houdt de tekst bruikbaar en laat de paginanummers eraan vastzitten.

Dit werktuig leest de tekstlaag die de PDF al bevat, groepeert de brokstukken op hun positie tot regels en schrijft elke pagina als een eigen blok, voorafgegaan door een opmerking met het paginanummer en gevolgd door een scheidingslijn. De structuur wordt uit de opmaak geraden: regels die duidelijk groter zijn gezet dan de lopende tekst worden koppen, regels met een opsommingsteken of nummer worden lijstitems en afgebroken regels worden tot alinea's samengevoegd, terwijl vetgedrukte tekst en tabellen niet worden herkend. Opmaak in twee kolommen kan door elkaar gaan lopen, en uit een gescande PDF komt helemaal niets omdat de pagina's afbeeldingen zijn; haal die eerst door de tekstherkenning.

De omzetting gebeurt in uw browser: het bestand wordt alleen in het geheugen van uw eigen computer gelezen en gaat nergens naartoe, en daar draait het om zodra het document een contract is, een medisch verslag of wat dan ook dat u niet op de server van een vreemde zou plakken. Omdat elke pagina haar nummer in een opmerking meekrijgt, is een passage die verkeerd uitviel later makkelijk terug te vinden en te herstellen. Heeft u echte tabellen en koppen nodig in plaats van kale tekst, dan bouwt de AI-conversie ze opnieuw op, maar die stuurt uw pagina's wel naar Google, en dat is een andere afweging.