PDf转md

admin

微软的新出的markitdown。
github.com/microsoft/markitdown

pdf转md有奇效，Adobe Acrobat DC转不出来文字的pdf。它可以秒出文本。

方便提取文字，

适合那些不是ocr的方案。纯图片要ocr的它也没办法。

以前我用PyMuPDF（fitz），总感觉不够直接

1. import os
   
2. from markitdown import MarkItDown
   
3. 
   
4. def convert_pdfs_to_markdown(directory):
   
5.     # 创建MarkItDown对象
   
6.     markitdown = MarkItDown()
   
7. 
   
8.     # 检查目录是否存在
   
9.     if not os.path.isdir(directory):
   
10.         print(f"错误：目录 {directory} 不存在。")
    
11.         return
    
12. 
    
13.     # 遍历目录中的所有文件
    
14.     for filename in os.listdir(directory):
    
15.         if filename.endswith(".pdf"):
    
16.             pdf_path = os.path.join(directory, filename)
    
17.             markdown_filename = os.path.splitext(filename)[0] + ".md"
    
18.             markdown_path = os.path.join(directory, markdown_filename)
    
19. 
    
20.             # 打印操作提示
    
21.             print(f"正在转换文件：{pdf_path}")
    
22.             print(f"Markdown文件将保存为：{markdown_path}")
    
23. 
    
24.             # 使用markitdown转换PDF到Markdown
    
25.             try:
    
26.                 result = markitdown.convert(pdf_path)
    
27.                 with open(markdown_path, 'w', encoding='utf-8') as md_file:
    
28.                     md_file.write(result.text_content)
    
29.                 print(f"转换成功：{markdown_path}")
    
30.             except Exception as e:
    
31.                 print(f"转换失败：{e}")
    
32. 
    
33.     print("所有PDF文件转换完成。")
    
34. 
    
35. # 用户输入PDF文件目录
    
36. pdf_directory = input("请输入PDF文件所在的目录：")
    
37. convert_pdfs_to_markdown(pdf_directory)

复制代码