pdf 转 md 的最佳实践是什么
- 内容介绍
- 文章标签
- 相关推荐
最近想通过期刊论文构建本地知识库，需要把大量 pdf 转换为 markdown。试了很火的 MinerU，虽然它 OCR 能力很强，但是对于本身就是文本的 pdf 反而会出现更多的错别字。传统的 pypdf 和 pdfplumber 出来的东西又不是很有格式。佬友们有没有什么好的工具推荐呢？
网友解答：--【壹】--：
我都是直接丢给哈基米，不过图片什么的怎么弄，还没转过有图片的
--【贰】--：
其实平时是直接ai的。就是你把pdf给ai然后让他给你md
--【叁】--：
html 转为 markdown 不行吗。除了表格格式保留为标签形式
--【肆】--：
看了一下，模型最新的是 V3-2509，那有段时间没更新了
--【伍】--：
是的，也是用mineru识别的，然后调用了翻译接口进行的翻译
--【陆】--：
一股脑塞进notebooklm 让谷歌大模型去处理把 现在应该是免费独一档
--【柒】--：
谷歌notebooklm感觉确实不错，免费使劲噔
--【捌】--：
我在 Nature 系列的期刊上测试过，还是会有拼写错误，不如直接拉 html 方便。可能是因为 MinerU 是视觉模型，不会直接拉取 pdf 中的文字，所以总是有不确定性。
--【玖】--：
你用的什么模型呢，我用的是vlm，没有开OCR，这个精度我觉得非常不错了
左边是原文，右边是调用mineru识别以后进行的翻译
image1920×1107 629 KB
--【拾】--：
hhh感觉实在不行只能这样了，就是略费token
--【拾壹】--：
刚知道有MinerU这个东西，我在用Docling解析，不过我不是解析成MD，我是分块存到数据库的，代码调好解析的还是挺准的，也不用调API。
--【拾贰】--：
直接使用 LLM 效果怎么样啊，有点好奇
--【拾叁】--：
费啥啊，网页版的随便聊不花token的，随便聊的
--【拾肆】--：
mineru api挺好用的吧，感觉没什么错别字，速度也很快
--【拾伍】--：
这个是MinerU做的吗？我用的是精准解析 API
--【拾陆】--：
之前做科研用的doc2X,
Doc2X Enterprise - 智能文档解析API平台
Doc2X Enterprise提供专业的文档解析API服务，支持PDF转换、OCR识别、公式表格提取等企业级功能，助力企业数字化转型。
不过是去年用的了，不知道有啥更好的没有
--【拾柒】--：
MinerU我之前测试也是感觉不太行，试试Docling，或者最近国内几个公司出的Ocr的模型。
--【拾捌】--：
我感觉我转出来的md总有各种错词或者粘连问题，如图
image1920×1044 492 KB
确实不是不能用，但感觉还不如直接解析html来得方便
--【拾玖】--：
QQ_17755616328881988×1086 387 KB
挺奇怪的，我这调用api解析和网页解析都没有遇到你的这个问题，不过确实还是有一些错误，我觉得整体还可以接受
最近想通过期刊论文构建本地知识库，需要把大量 pdf 转换为 markdown。试了很火的 MinerU，虽然它 OCR 能力很强，但是对于本身就是文本的 pdf 反而会出现更多的错别字。传统的 pypdf 和 pdfplumber 出来的东西又不是很有格式。佬友们有没有什么好的工具推荐呢？
网友解答：--【壹】--：
我都是直接丢给哈基米，不过图片什么的怎么弄，还没转过有图片的
--【贰】--：
其实平时是直接ai的。就是你把pdf给ai然后让他给你md
--【叁】--：
html 转为 markdown 不行吗。除了表格格式保留为标签形式
--【肆】--：
看了一下，模型最新的是 V3-2509，那有段时间没更新了
--【伍】--：
是的，也是用mineru识别的，然后调用了翻译接口进行的翻译
--【陆】--：
一股脑塞进notebooklm 让谷歌大模型去处理把 现在应该是免费独一档
--【柒】--：
谷歌notebooklm感觉确实不错，免费使劲噔
--【捌】--：
我在 Nature 系列的期刊上测试过，还是会有拼写错误，不如直接拉 html 方便。可能是因为 MinerU 是视觉模型，不会直接拉取 pdf 中的文字，所以总是有不确定性。
--【玖】--：
你用的什么模型呢，我用的是vlm，没有开OCR，这个精度我觉得非常不错了
左边是原文，右边是调用mineru识别以后进行的翻译
image1920×1107 629 KB
--【拾】--：
hhh感觉实在不行只能这样了，就是略费token
--【拾壹】--：
刚知道有MinerU这个东西，我在用Docling解析，不过我不是解析成MD，我是分块存到数据库的，代码调好解析的还是挺准的，也不用调API。
--【拾贰】--：
直接使用 LLM 效果怎么样啊，有点好奇
--【拾叁】--：
费啥啊，网页版的随便聊不花token的，随便聊的
--【拾肆】--：
mineru api挺好用的吧，感觉没什么错别字，速度也很快
--【拾伍】--：
这个是MinerU做的吗？我用的是精准解析 API
--【拾陆】--：
之前做科研用的doc2X,
Doc2X Enterprise - 智能文档解析API平台
Doc2X Enterprise提供专业的文档解析API服务，支持PDF转换、OCR识别、公式表格提取等企业级功能，助力企业数字化转型。
不过是去年用的了，不知道有啥更好的没有
--【拾柒】--：
MinerU我之前测试也是感觉不太行，试试Docling，或者最近国内几个公司出的Ocr的模型。
--【拾捌】--：
我感觉我转出来的md总有各种错词或者粘连问题，如图
image1920×1044 492 KB
确实不是不能用，但感觉还不如直接解析html来得方便
--【拾玖】--：
QQ_17755616328881988×1086 387 KB
挺奇怪的，我这调用api解析和网页解析都没有遇到你的这个问题，不过确实还是有一些错误，我觉得整体还可以接受