直接把几十页甚至上百页的 PDF 上传给 AI，虽然方便，但不一定是最高效的处理方式。

PDF 本质上是一种面向打印和页面展示的格式。除了正文，它还可能包含页眉、页脚、页码、分栏、坐标定位、重复标题、隐藏文本和复杂表格等信息。AI 在解析文档时，可能需要额外处理这些排版结构，从而增加上下文长度和处理难度。

一种更适合长文档的工作流是：

先把 PDF 转成 Markdown，再让 AI 总结、问答或提取信息。

AI 阅读 PDF 太费 Token？先用 MarkItDown 转成 Markdown

为什么 Markdown 更适合交给 AI？

Markdown 是结构清晰的纯文本格式，可以用简单符号保留文档中的重要层级，例如：

  • 标题和章节
  • 正文段落
  • 有序列表和无序列表
  • 表格
  • 链接
  • 代码块

与 PDF 相比，Markdown 通常会去掉大量只服务于页面展示的布局信息，让 AI 更容易识别文章结构。

这样做可能带来几个好处：

  1. 减少无关排版信息

    页码、重复页眉和定位信息可能在转换时被简化，输入内容更加干净。

  2. 方便拆分长文档

    可以按照一级标题、二级标题或者章节拆分 Markdown，分批交给 AI，避免一次提交整本 PDF。

  3. 便于搜索和引用

    Markdown 可以直接使用文本编辑器搜索，也适合导入 Obsidian、知识库或 RAG 系统。

  4. 方便检查转换结果

    在发送给 AI 之前，可以手动删除目录、版权页、重复页脚和无关章节。

需要注意的是，转换成 Markdown 不代表一定会减少 Token。最终消耗仍取决于转换后的文字长度、表格复杂度、OCR 结果以及你发送给 AI 的具体内容。

MarkItDown 是什么？

MarkItDown 是微软开源的一款 Python 工具，可以把多种文件转换成 Markdown，主要面向文本分析、内容索引和大语言模型处理场景。

目前项目支持的格式包括：

  • PDF
  • Word：DOCX
  • PowerPoint：PPTX
  • Excel：XLSX、XLS
  • HTML
  • CSV、JSON、XML
  • EPUB
  • ZIP 压缩包
  • 图片和音频等文件

不同格式可能需要安装对应的可选依赖。项目也提供了插件机制，可扩展 OCR 等能力。

安装 MarkItDown

电脑需要先安装 Python，然后在终端中运行：

1

pip install "markitdown[all]"

[all] 会安装全部常用格式所需的依赖。

如果只需要转换 PDF，也可以只安装 PDF 相关组件：

1

pip install "markitdown[pdf]"

将 PDF 转换成 Markdown

进入 PDF 所在目录，运行：

1

markitdown document.pdf -o document.md

其中：

  • document.pdf 是原始 PDF 文件
  • document.md 是转换后生成的 Markdown 文件

转换完成后，可以使用 VS Code、Obsidian、Typora 或普通文本编辑器打开 .md 文件。

使用 Python 批量处理

需要集成到脚本或自动化流程时，可以使用 Python API：

1
2
3
4
5
6
7

from markitdown import MarkItDown

converter = MarkItDown()
result = converter.convert("document.pdf")

with open("document.md", "w", encoding="utf-8") as file:
    file.write(result.text_content)

这段代码会读取 document.pdf，并将转换结果保存为 document.md。

推荐的 AI 阅读 PDF 工作流

处理较长的 PDF 时，可以按照下面的步骤操作：

第一步：转换格式 

1

markitdown document.pdf -o document.md

第二步：检查转换结果

重点检查：

  • 标题层级是否正确
  • 表格是否错位
  • 页眉、页脚是否重复
  • 是否存在乱码
  • 图片中的文字是否被遗漏
  • 多栏排版顺序是否正确

第三步：删除无关内容

可以删除：

  • 封面和版权声明
  • 重复目录
  • 每页重复出现的页眉和页脚
  • 与问题无关的附录
  • 大量无意义的 OCR 字符

第四步：按章节交给 AI

不要一次粘贴整个文档，可以先让 AI 读取目录，再按章节处理。

例如：

1
2

下面是文档的第一章。请提取核心观点、关键数据和结论。
不要补充原文中没有的信息，并保留重要术语。

处理技术文档时，也可以使用：

1
2

请根据下面的 Markdown 内容回答问题。
引用结论时注明对应的章节标题；无法从原文确认的信息，请明确说明。

哪些 PDF 适合使用 MarkItDown？

MarkItDown 更适合：

  • 文字型电子书
  • 产品说明书
  • 普通研究报告
  • 合同和规章制度
  • Word 导出的 PDF
  • 结构相对简单的论文
  • 需要导入 AI 知识库的资料

哪些 PDF 可能转换效果不好？

以下类型需要谨慎检查：

  • 扫描版 PDF
  • 双栏或多栏论文
  • 大量公式的学术文档
  • 表格特别复杂的财务报告
  • 图片中包含大量文字的文件
  • 页面结构非常复杂的杂志
  • 依赖图表位置才能理解的资料

MarkItDown 的 PDF 转换并不能保证完整还原复杂版式。项目维护者也曾说明，部分 PDF 的基础转换能力相对有限；对于复杂表格、扫描文件和学术排版，转换后可能需要手动整理，或者改用带版面识别和 OCR 能力的工具。

因此，不建议转换完成后直接删除原始 PDF。涉及合同、财务数据、论文公式或法律文件时，应同时对照原文核验。

总结

将 PDF 转成 Markdown，并不是单纯更换文件后缀，而是把面向页面展示的文档，整理成更适合 AI 阅读和检索的结构化文本。

对于文字较多、结构清晰的 PDF，这种方式可以减少排版干扰，并方便拆分章节、清理内容、建立知识库和进行多轮问答。

实际使用时可以记住三个步骤：

PDF 转 Markdown → 清理无关内容 → 按章节交给 AI

这样通常比直接上传整份长 PDF 更容易控制上下文，也更方便检查 AI 的回答是否来自原文。

项目地址

AI读取PDF AI节省Token Markdown文档转换 AI知识库