PDF 轉 Markdown，為什麼結構是猜的

PDF 是個列印格式。它的活兒是把對的字形放到紙上對的位置，辦法是存一段段帶位置和字型的文字。檔案裡沒有任何一處說哪一段是標題、哪裡是段落結尾、這六行是個項目清單。

所以 Word 文件是「轉換」，PDF 是「重建」。下面寫的每一條都是啟發式規則，每條規則都有它判錯的情況。這就是為什麼無論看起來正不正常，每次轉 PDF 都會在輸出上方給出一條提示。

手上有原始的 .docx 就用它。那個能正經轉，因為結構真在裡面。

先算內文字級：把每行的字級按它含多少字元加權統計一遍，最常見的那個勝出。按字元數而不是按行數加權是有講究的 —— 一行長內文對「內文字級是多少」的說服力，比一行短標題大得多。

然後：明顯比內文大、而且短的行算標題。字級比例定級別：1.6 倍以上是 #，1.35 倍是 ##，1.15 倍是 ###。原來的標題層級已經沒了，所以留下來的只是相對關係 —— 這幾個標題彼此是同一級。

長度上限是 120 個字元，它擋的是一種具體的判錯：一份文件開頭那段內文用大字排，那不是標題，而單看字級分不出來。長度能分出來。

這條也是最常猜漏的一條。用字重而不是字級做標題的文件 —— 粗體但和內文一樣大 —— 完全沒有字級訊號，那些標題出來就是段落。

頁首頁尾在兩個條件同時成立時被丟掉：比內文小，而且落在離上下邊緣 9% 頁高以內。用比例而不是固定值，所以 A4 和 Letter 表現一致。不然一個頁碼或者一個「機密」水印會在內文裡打斷你四十次。

分段看的是行間垂直空隙有沒有超過這行自己字級的 1.8 倍。PDF 就是這麼表達一次分段的，因為裡面沒有段落標記可讀。

清單看行首字元：一個項目符號字形（•、·、▪、◦、‣、∙），或者最多三位數字後面跟一個點或者右括號。用別的方式畫出來的清單，在轉換器眼裡不是清單。

PDF 會在行尾用連字號斷詞，直接拼起來你會拿到「re- port」。規則是：一行以連字號結尾、下一行以小寫字母開頭，就把這兩行拼回一個詞 —— 這個組合幾乎每次都是斷行連字號。

下一行是大寫字母的時候連字號留著。「state-of-the-art」在「state-」後面斷開，連字號會保留，這是對的，因為那一個是詞的一部分。

中文、日文、韓文的行之間不加空格。這些文字本來不用空格分詞，每次斷行插一個空格就是往句子中間塞一個縫。

如果一頁是文字的圖片 —— 掃描、拍照、傳真 —— 檔案裡沒有字元可讀，只有一張點陣圖。轉換器會明說然後停下，而不是回一個空文件讓你以為是 bug。

從那種頁面裡取文字要靠 OCR，這個工具沒有這個能力。一份有些頁是掃描、有些不是的 PDF，能轉的頁會轉，出來是空的那些會列出頁碼，最多列六個。

兩個上限：25 MB 和 500 頁。都是為了不讓瀏覽器分頁卡死 —— PDF 是在你的瀏覽器裡算繪的，沒有伺服器參與。

雙欄是最難的一種，只能盡力。文字按檔案裡存的順序讀，做得規矩的雙欄 PDF 是一欄讀完再讀下一欄，做得不規矩的是兩欄一行一行交替。讀之前沒有可靠的辦法知道你手上是哪一種。

表格和公式是同一個故事：PDF 裡的表格是幾根線加擺在座標上的文字，沒有任何東西標明它是個表格。預期是拿到幾行分開的文字，而不是一張直線表格。

準備手工修的話把頁標記打開。它會在每頁前面插一個 HTML 註解，這樣你能找到出問題那段來自第幾頁，回去對照原文。