تبدیل PDF به Markdown اغلب به نظر یک کار ساده تبدیل متن میرسد، اما در واقعیت، کار با PDFها، به ویژه زمانی که به ساختار اهمیت میدهید، یکی از دشوارترین مسائل تجزیه است که هر ابزار توسعهدهنده میتواند با آن مواجه شود. این مشکل به دلیل ماهیت PDF به عنوان مجموعهای از دستورالعملهای ترسیم به جای اسناد معنایی است. PDFها شامل دستورالعملهایی برای ترسیم متن در مختصات خاص، دستورات ترسیم برای تصاویر و اشکال، ماتریسهای تبدیل و فراداده اختیاری هستند. ساختار باید از نزدیکی هندسی، اندازه و سبک فونت، تراز و گروهبندی استنباط شود. این امر انتقال از PDF به Markdown را به طور اساسی با "استخراج متن" متفاوت میکند. دو مسیر استخراج اصلی وجود دارد: PDFهای بومی (لایه متن وجود دارد) و PDFهای اسکنشده (بدون لایه متن). PDFهای بومی حاوی اشیاء متنی واقعی هستند که میتوانند به صورت بومی خوانده شوند و شامل موقعیتهای هر اسپان (مربعات محدود کننده) هستند و ترتیب فونت، گلیف و طرحبندی را حفظ میکنند.
مشاهده مطلب اصلی