Transformar um PDF num documento Markdown pronto para o Notion ou uma wiki

Mover o conteúdo de um PDF para o Notion, o Obsidian, uma wiki do GitHub ou qualquer outra ferramenta baseada em Markdown costuma significar ou voltar a escrever tudo ou colá-lo como um bloco de texto sem forma, com todos os títulos, listas e tabelas achatados em parágrafos simples.

Como a estrutura é inferida de um PDF

Um PDF não guarda realmente «isto é um título» ou «isto é uma lista com marcadores» como um conceito etiquetado, ao contrário de um documento Word ou de um ficheiro Markdown — só tem texto posicionado e dimensionado numa página. O PDF para Markdown trabalha de trás para a frente a partir daí: texto visivelmente maior do que o corpo em redor torna-se um título, linhas que começam por um caráter de marcador ou um número tornam-se uma lista, e texto disposto em colunas alinhadas torna-se uma tabela Markdown.

O que passa bem, e o que não passa

• As ligações clicáveis no PDF original são preservadas como ligações Markdown, não apenas como texto simples.
• Documentos limpamente formatados, de uma só coluna — relatórios, artigos, guias simples — convertem bem com pouca limpeza necessária.
• Esquemas densos de várias colunas ou formatações invulgares são mais difíceis de inferir corretamente e podem precisar de retoque manual depois.
• Um PDF digitalizado sem camada de texto selecionável não tem nada para extrair — corre primeiro o OCR PDF.

Quando só queres o texto em bruto

Se não precisas de estrutura nenhuma — só as palavras, para colar algalgures ou pesquisar —, o PDF para texto salta por completo a inferência de títulos e tabelas e exporta em vez disso um ficheiro de texto simples com quebras de linha.