pdf轉化為md格式后，意味著非結構化文本轉為結構化文本，能清晰定位大標題、子標題，圖表。

方便后續處理，因為llamaindex和langchain能更有效切分md類文本，避免信息丟失。

1）讀取pdf為txt

讀取pdf，并使用RecursiveCharacterTextSplitter去嘗試分塊，一般情況下效果不好

pdf文本暫時表示recur_text

from langchain.text_splitter import RecursiveCharacterTextSplitter, CharacterTextSplitterfrom pypdf import PdfReader
# 讀取 PDF 文件
pdf_path = 'docs/word.pdf'
reader = PdfReader(pdf_path)
recur_text = ''
for page in reader.pages:recur_text += page.extract_text().strip() + "\n\n"recur_splitter = RecursiveCharacterTextSplitter(separators=["。"],chunk_size = 512,chunk_overlap  = 128
)
recur_docs = recur_splitter.create_documents([recur_text])

2）使用llm將txt轉化為md

qwen或deepseek小一點的LLM不能完成這個任務，deepseek-r1完整版本可以。

prompt示例如下

# 示例調用
prompt = """
請將以下合同轉化為md格式。
---
{}
""".format(recur_text)

若recur_text太長，需要切分后分批調用。

另外一種方式，就是將pdf先轉化為圖譜，在調用qwen2.5-vl模型解析圖片輸出md5文檔。

reference

---

qwen2.5vl-pdf2md

https://github.com/QwenLM/Qwen2.5-VL/blob/main/cookbooks/document_parsing.ipynb

olmocr

https://github.com/allenai/olmocr

六個開源的PDF轉Markdown項目

https://zhuanlan.zhihu.com/p/711487482

llm-parse

https://github.com/tanchangsheng/llm-parse