PDF в Markdown

Отдать PDF языковой модели, поисковому индексу или программе для заметок начинается с того, чтобы вынуть из него слова. Договор на девяносто страниц не вставишь в окно чата, а если переписывать его из просмотрщика страница за страницей, быстро теряется, откуда какой фрагмент. Markdown с метками страниц оставляет текст пригодным к работе и сохраняет при нём номера страниц.

Инструмент читает текстовый слой, который в PDF уже есть, собирает обрывки в строки по их положению и записывает каждую страницу отдельным блоком: впереди комментарий с номером страницы, в конце разделительная черта. Структура угадывается по вёрстке: строки, набранные заметно крупнее основного текста, становятся заголовками, строки с маркерами и номерами — пунктами списка, перенесённые строки склеиваются в абзацы, а полужирный шрифт и таблицы не распознаются. Вёрстка в две колонки может перемешаться, а из сканированного PDF не выйдет ничего, потому что его страницы — картинки; такие сначала прогоняют через распознавание текста.

Преобразование идёт в браузере: файл читается в память вашей собственной машины и никуда не отправляется, и именно в этом весь смысл, когда документ — договор, медицинское заключение или что угодно ещё, что вы не стали бы вставлять на чужой сервер. Каждая страница хранит свой номер в комментарии, поэтому неудачный фрагмент легко найти и поправить позже. Если нужны настоящие таблицы и заголовки, а не сплошной текст, их восстановит преобразование языковой моделью, но оно отправляет ваши страницы в Google, и это уже другая сделка.