Wie man eine PDF-Datei in Markdown (mit Bildern) unter Linux konvertiert
PDF-Dateien sind großartig zum Teilen von Dokumenten, aber sie sind nicht einfach zu bearbeiten oder in andere Formate zu konvertieren. Wenn Sie eine PDF in das Markdown-Format konvertieren möchten (unter Beibehaltung der Bilder), zeigt Ihnen diese Anleitung, wie Sie dies mit poppler-utils und pandoc, zwei leistungsstarken Open-Source-Tools zur Dokumentenverarbeitung, tun können.
Warum PDF in Markdown konvertieren?
Markdown ist ein leichtgewichtiges Textformat, das einfach zu lesen und zu bearbeiten ist. Viele Websites, Blogs und Dokumentationstools verwenden Markdown. Durch das Konvertieren einer PDF in Markdown können Sie:
- Bearbeiten Sie den Inhalt einfach,
- Halte die Textformatierung einfach,
- Speichern Sie Inhalte in einem leichtgewichtigen Format.
Werkzeuge, die Sie benötigen
Um die PDF-zu-Markdown-Konvertierung durchzuführen, benötigen Sie:
- poppler-Dienstprogramme
- pandoc
Was ist poppler-utils?
poppler-utils ist eine Sammlung von Kommandozeilen-Tools zum Arbeiten mit PDF-Dateien. Es basiert auf der Poppler PDF Rendering-Bibliothek, die in Linux-Umgebungen weit verbreitet ist.
Enthaltene Werkzeuge (am häufigsten verwendete):
pdftotext: Extrahiert Text aus PDFs.pdfimages: Extrahiert Bilder.pdftoppm: Wandelt Seiten in Bilder um.pdfinfo: Zeigt Metadaten (Titel, Autor, Seiten, usw.) an.pdfseparateundpdfunite: PDFs teilen und zusammenfügen.
Wenn Sie die Extraktion von Daten automatisieren, PDFs in Bilder umwandeln oder Dateimetadaten überprüfen müssen — poppler-utils ist leichtgewichtig und skriptbar.
Was ist Pandoc?
pandoc ist ein Werkzeug zur Dokumentenkonvertierung. Es wird oft als das "Schweizer Taschenmesser" der Markup-Konvertierung beschrieben. Es unterstützt Dutzende von Eingabe- und Ausgabeformaten.
Unterstützte Formate:
- Eingabe: Markdown, HTML, LaTeX, DocBook, Word DOCX usw.
- Ausgabe: PDF, HTML, EPUB, DOCX, LaTeX, Markdown usw.
Hauptmerkmale:
- Konvertiert Markdown in PDF (über LaTeX oder andere Backends).
- Unterstützt die Verwaltung von Zitaten.
- Ermöglicht Formattransformationen für Veröffentlichungen und wissenschaftliches Schreiben.
Wenn Sie in Markdown schreiben und gut formatierte PDFs, DOCX-Dateien oder Präsentationen erstellen müssen, ist pandoc ideal.
Bitte beachten Sie, dass poppler-utils und pandoc nicht direkt miteinander verwandt sind, aber sie können sich ergänzen.
Zum Beispiel können Sie pdftotext (aus poppler-utils) verwenden, um reinen Text aus einer PDF-Datei zu extrahieren, und diesen dann in pandoc leiten, um ihn in HTML, Markdown oder ein anderes Format zu konvertieren.
Beispiel:
pdftotext input.pdf - | pandoc -f plain -t markdown -o output.mdInstalliere poppler-utils und pandoc in Linux
Poppler-utils und Pandoc sind in den meisten Linux-Distributionen verpackt und in den Standard-Repositorys verfügbar.
Unter Debian/Ubuntu Linux können Sie poppler-utils und pandoc mit folgendem Befehl installieren:
sudo apt install poppler-utils pandoc
Auf Fedora- und Red-Hat-Systemen:
sudo dnf install poppler-utilsWichtige Überlegungen und mögliche Probleme
- Formatierungsverlust: PDF ist ein Format mit festem Layout, während Markdown eine leichtgewichtige Auszeichnungssprache ist, die sich auf die semantische Struktur konzentriert. Bei der Konvertierung gehen zwangsläufig einige Formatierungen verloren (z. B. exakte Textplatzierung, komplexe Layouts, Tabellen, Bilder).
- Tabellenkonvertierung: Das Konvertieren von Tabellen von PDF zu Markdown kann besonders herausfordernd sein. Die Ausgabe von
pdftotextfür Tabellen ist oft schlecht strukturiert. Möglicherweise müssen Sie die Tabellen in der resultierenden Markdown-Datei manuell neu formatieren. - Bildverarbeitung:
pdftotextextrahiert nur Text; es verarbeitet keine Bilder. Wenn Ihr PDF Bilder enthält, gehen diese während dieses Konvertierungsprozesses verloren. Sie benötigen einen anderen Ansatz, um Bilder separat zu extrahieren und zu verarbeiten. - Komplexe Layouts: PDFs mit mehrspaltigen Layouts oder ungewöhnlichem Textfluss lassen sich möglicherweise nicht sauber in Markdown konvertieren. Der Text könnte in der falschen Reihenfolge erscheinen oder schwer lesbar sein.
- Manuelle Bereinigung: Unabhängig davon, welche Methode Sie wählen, werden Sie wahrscheinlich etwas Zeit damit verbringen müssen, die resultierende Markdown-Datei manuell zu bereinigen und neu zu formatieren, um das gewünschte Ergebnis zu erzielen.
Schritte zum Konvertieren einer PDF-Datei in Markdown (mit Bildern)
Wenn Sie eine einfache PDF-Datei ohne Bilder oder Tabellen konvertieren möchten, ist es einfach, sie in Markdown umzuwandeln! Sie können die PDF-zu-Markdown-Konvertierung mit einem einzigen Befehl durchführen:
pdftotext input.pdf - | pandoc -t markdown -o output.mdAber wenn die PDF-Datei Bilder enthält, müssen Sie den Text und die Bilder manuell aus der PDF extrahieren, den Text dann in Markdown umwandeln und schließlich die Bilder nacheinander in die resultierende Markdown-Datei einfügen.
Schritt 1: Text aus der PDF extrahieren
Verwenden Sie pdftotext, um Text zu extrahieren und dabei das Layout beizubehalten:
pdftotext -layout input.pdf output.txtDies wird den Text in output.txt speichern.
Schritt 2: Bilder aus der PDF extrahieren
Verwenden Sie pdfimages, um Bilder zu extrahieren:
mkdir images
pdfimages -all input.pdf images/imageAlle Bilder werden im Ordner images/ gespeichert.
Schritt 3: Text in Markdown umwandeln
Da pdftotext nur Klartext erzeugt, können Sie ihn mit pandoc in Markdown umwandeln:
pandoc -t markdown output.txt -o output.mdWenn der Text in output.txt wirklich reiner Text ist (ohne Markdown-Formatierung), benötigen Sie möglicherweise nicht die -f markdown-Option.
Das einfache Ausführen des folgenden Befehls sollte problemlos funktionieren:
pandoc -f markdown output.txt -o output.md
Dies konvertiert den extrahierten Text in eine Markdown-Datei. Möglicherweise müssen Sie die Formatierung bei Bedarf manuell anpassen.
Schritt 4: Bilder in Markdown einbetten
Wie bereits gesagt, müssen Sie, wenn Ihre Datei Bilder enthält, diese manuell an der entsprechenden Stelle in der Ausgabemarkdown-Datei platzieren.
In Ihrer Markdown-Datei können Sie Bilder wie folgt hinzufügen:
Sie müssen die Dateinamen an Ihre extrahierten Bilder anpassen.
Sie können das Bild auch einfach kopieren und direkt in die Markdown-Datei einfügen.
Fazit
Die Umwandlung einer PDF-Datei in Markdown mit Bildern ist einfach mit Poppler (pdftotext, pdfimages) und Pandoc. Es gibt auch viele KI- und webbasierte Konvertierungstools, die die Operation vereinfachen. Für einfache PDF-Dateien verwende ich diese Methode unter Linux.
Was sind Ihre bevorzugten Methoden und Werkzeuge, um PDF in Markdown zu konvertieren? Bitte lassen Sie es uns im Kommentarfeld unten wissen.
Verwandte Lektüre:
- So entfernen Sie ein Passwort aus einer PDF-Datei unter Linux
- So führen Sie PDF-Dateien über die Befehlszeile unter Linux zusammen