Has recibido un informe en PDF — documentación, acta de reunión, memoria — y quieres reutilizarlo en un wiki, un repositorio Git o un vault de Obsidian. Copiar y pegar página a página produce un bloque de texto en bruto sin estructura. La conversión PDF → Markdown apunta más alto: restaurar títulos, párrafos y tablas en una sintaxis reeditable. Y como todo ocurre en el navegador, el documento no sale de tu máquina — útil cuando el informe es interno o confidencial.
Cómo funciona la extracción
La herramienta se apoya en pdf.js, la misma biblioteca del visor de PDF de Firefox. Para cada página, getTextContent() devuelve los fragmentos de texto con su posición y tamaño de fuente — es la capa de texto del PDF, no una reconstrucción visual.
La estructura se deduce después con una heurística simple:
- Los fragmentos se agrupan en líneas según su posición vertical (tolerancia de 5 px).
- El tamaño de fuente mediano de la página sirve de referencia: una línea cuya fuente supera 1,8× la mediana se convierte en
#, por encima de 1,4× en##, por encima de 1,15× en###. - El resto se concatena en párrafos, en el orden de lectura de la página.
Para las tablas, una detección complementaria busca al menos tres líneas cuyas celdas se alinean verticalmente (misma posición horizontal, con 5 px de margen). Cuando se reconoce la rejilla, se transcribe en sintaxis | col | — la primera línea se convierte en la cabecera.
El proceso
- Suelta tu PDF (un archivo cada vez, hasta 50 MiB y 1.000 páginas).
- Haz clic en «Extraer»: el progreso se muestra página a página, con un botón de cancelación.
- Revisa la vista previa: se muestran los primeros 2.000 caracteres del Markdown antes de la descarga.
- Descarga el
.md: cada página está marcada con un comentario<!-- Page N -->y las páginas se separan con una línea---, lo que ayuda a recuperar la paginación original.
Qué sobrevive — y qué es aproximado
Bien restituido: los títulos (cuando la jerarquía de tamaños de fuente es clara), los párrafos, el orden del texto y las tablas regulares convertidas en rejilla Markdown.
Aproximado o perdido:
- Listas anidadas: las viñetas no se detectan como tales — una lista de dos niveles sale como texto continuo, para reindentar a mano.
- Enlaces: las anotaciones de enlaces no se leen; solo sobrevive el texto visible, las URL se pierden.
- Imágenes y figuras: no hay extracción de imágenes, el Markdown queda puramente textual.
- Estilos: negrita, cursiva y colores no se transcriben — la heurística solo mira el tamaño de fuente.
- Maquetas multicolumna: el agrupamiento por posición vertical puede entrelazar las columnas — a verificar en folletos y artículos de prensa.
- Tablas complejas: celdas fusionadas o rejillas irregulares producen columnas desplazadas — de ahí la mención «best-effort».
En resumen: el Markdown producido es una estructura de trabajo, no una transcripción fiel. Prevé una pasada de revisión, sobre todo si el PDF es denso.
Cuándo basta, cuándo preferir otra cosa
La extracción Markdown es la opción correcta cuando quieres texto estructurado y reeditable: importar secciones en un wiki, reutilizar títulos en un plan, versionar el contenido.
Prefiere el texto en bruto si la estructura no importa — para indexar o buscar en el contenido, la extracción de texto simple es más directa. Y si el PDF es un escaneo sin capa de texto, la herramienta lo detecta (verifica las primeras páginas) y te avisa: primero hay que pasar por un OCR en local para crear la capa de texto, y luego relanzar la extracción.
El sentido inverso
Si tu necesidad es más bien producir un PDF desde notas Markdown — para enviarlo o imprimirlo — es el otro sentido de la cadena, cubierto por Markdown a PDF: convertir en local. Las dos herramientas se complementan: Markdown → PDF para difundir, PDF → Markdown para reutilizar.
Límites
- El resultado es aproximado por naturaleza: ningún PDF → Markdown automático restituye fielmente listas, enlaces y estilos — los nuestros se detallan arriba en lugar de sobrevenderse.
- La detección de títulos depende de los tamaños de fuente: un documento donde todo tiene el mismo tamaño no producirá ningún título.
- Un archivo cada vez, 50 MiB máximo, 1.000 páginas máximo.
- Los PDF escaneados necesitan un OCR previo — la extracción sola no lee nada en ellos.
