Convertidor de PDF a Markdown

Revisar el resultado

Comprueba el resultado de PDF a Markdown contra el PDF original antes de usarlo como evidencia. Empieza por una página con columnas, una nota al pie y una tabla en lugar de una portada sencilla. Lee la última frase de una columna y la primera de la siguiente: deberían formar la misma secuencia que sigue una persona en el PDF. Después compara un encabezado de tabla, un valor negativo y una unidad. Una vista previa de Markdown legible puede contener igualmente una sustitución del OCR o una celda mal colocada. Si el documento orienta una decisión financiera o técnica, conserva el PDF junto al Markdown y verifica el pasaje que piensas citar. La conversión facilita el trabajo con el texto; no certifica la fuente ni su transcripción.

Qué cambia

La conversión de PDF a Markdown sustituye la posición visual por una estructura de texto. Un título grande puede convertirse en un marcador de encabezado, los párrafos siguen siendo párrafos y una tabla compatible se transforma en filas separadas por barras. La geometría de la página, las líneas decorativas, las fuentes y el salto de línea original no forman parte del contrato de salida. Esto es útil cuando quieres editar un extracto o construir un índice de recuperación, pero no sirve cuando el objetivo es reproducir un folleto con exactitud. Conserva el PDF original por su maquetación autorizada. Cuando una maquetación no pueda representarse con una tabla de Markdown sencilla, comprueba si una breve explicación o una tabla revisada a mano es la representación posterior más clara.

Fuentes para RAG

Usa el título del PDF y encabezados de sección significativos para conservar el contexto al dividir el Markdown en fragmentos. Un fragmento que solo lleva por encabezado Resultados puede resultar ambiguo cuando sale del documento; tu código de ingesta puede conservar el nombre del documento y el encabezado padre junto con ese fragmento. Mantén un encabezado de tabla junto con sus filas y evita cortar una lista a mitad de una condición. Guarda la referencia del PDF original por separado para que una respuesta recuperada pueda llevar al lector de vuelta a la fuente. LangChain y LlamaIndex pueden consumir texto de tu propio proceso de ingesta, pero elegir el divisor, el modelo de embeddings y la política de recuperación sigue siendo tarea de tu aplicación. Prueba la recuperación con preguntas cuya respuesta hayas verificado en el PDF.

Elegir el PDF

Dale preferencia al PDF exportado original cuando contenga texto legible. Una captura de pantalla de ese PDF añade otro paso de reconocimiento de imagen y puede perder caracteres pequeños antes de que empiece la conversión. En el caso de PDF escaneados, endereza las páginas giradas y usa una versión en la que la puntuación y los bordes de las tablas sigan siendo legibles con el zoom normal. Elimina la contraseña antes de subir un PDF cifrado. Si solo es relevante una parte de un informe largo, prepara las páginas de origen pertinentes y conserva su referencia original en tus notas. Repetir el mismo escaneo dañado difícilmente va a corregir el detalle que falta; mejora primero la fuente y luego compara el nuevo resultado de PDF a Markdown con el anterior.

Límites de los fragmentos

La calidad de la recuperación depende de que los límites de los fragmentos coincidan con el documento que leería una persona. Este conversor reordena las columnas y conserva los niveles de encabezado para que un divisor pueda emitir pasajes en lugar de fragmentos entrelazados de un artículo a dos columnas.

• Usa el Markdown como el artefacto que fragmentas e incrustas, no un volcado de texto aplanado.
• Las páginas estándar y las páginas con OCR se facturan a 1 crédito por página en los planes con sesión iniciada.
• Los archivos protegidos con contraseña deben desbloquearse antes de subirlos; los PDF cifrados se rechazan.