PDFMark 📄➡️📝

English | 中文

---

中文

📖 项目简介

PDFMark 是一个功能强大的PDF转Markdown转换工具，支持命令行和Web界面两种使用方式，能够智能识别文档结构并保留原有的层级格式。特别适用于学术论文、技术文档和规范性文件的格式转换。

✨ 特性

• 🎯 智能标题识别：自动检测数字编号、中文编号、括号编号等多种标题格式
• 📊 层级结构保留：完整保持原文档的章节层级关系
• 🌐 双重界面：支持命令行脚本和Web UI两种使用方式
• 🔧 格式优化：自动清理多余空行，优化列表和段落格式
• 🚀 高效转换：基于PyMuPDF，转换速度快且准确度高
• 🎨 现代化UI：响应式Web界面，支持拖拽上传
• 📱 跨平台：支持Windows、macOS、Linux
• 🌍 中文友好：完美支持中文文档和编号格式

🛠️ 安装依赖

方法一：自动安装（推荐）

python install_requirements.py

方法二：手动安装

pip install PyPDF2 PyMuPDF pandas fastapi uvicorn python-multipart

🚀 使用方法

命令行版本

1. 基本使用：

python pdf_to_markdown.py

2. 自定义输入文件：

# 修改 pdf_to_markdown.py 中的文件名
pdf_file = "你的PDF文件.pdf"

Web UI版本

1. 启动Web服务：

python start_webui.py

2. 访问Web界面：
   • 在浏览器中打开：http://localhost:8000
   • 上传PDF文件
   • 点击"开始转换"
   • 下载生成的Markdown文件

📁 项目结构

PDFMark/
├── README.md                    # 项目说明文档
├── install_requirements.py     # 依赖安装脚本
├── pdf_to_markdown.py          # 命令行转换脚本
├── app.py                      # Web UI应用
├── start_webui.py              # Web UI启动脚本
├── uploads/                    # 上传文件临时目录
├── outputs/                    # 转换结果输出目录
└── static/                     # 静态资源目录

🎯 支持的标题格式

工具能够智能识别以下标题格式：

• 数字编号：1. 2.1 3.2.1 等
• 中文编号：一、 二、 三、 等
• 括号编号：(1) (2) (一) (二) 等
• 章节标题：包含"第X章"等关键词的标题
• 全大写标题：短行全大写文本

📋 转换示例

输入PDF内容：

第一章 绪论

1.1 研究背景
1.1.1 问题提出
1.1.2 研究意义

1.2 研究目标
(1) 主要目标
(2) 次要目标

二、文献综述

输出Markdown：

# 第一章 绪论

## 1.1 研究背景
### 1.1.1 问题提出
### 1.1.2 研究意义

## 1.2 研究目标
### (1) 主要目标
### (2) 次要目标

# 二、文献综述

⚙️ 配置选项

自定义标题检测规则

在 detect_headings() 函数中可以自定义标题识别规则：

# 添加新的标题格式检测
elif re.match(r'^第[一二三四五六七八九十]+节', line):
    processed_lines.append('## ' + line)

🤝 贡献指南

欢迎提交Issue和Pull Request来改进项目！

📄 许可证

本项目采用MIT许可证 - 详见 LICENSE 文件

---

English

📖 Project Description

PDFMark is a powerful PDF to Markdown conversion tool that supports both command-line and web interface usage. It intelligently recognizes document structure and preserves the original hierarchical formatting. Particularly suitable for academic papers, technical documentation, and regulatory documents.

✨ Features

• 🎯 Smart Title Recognition: Automatically detects various title formats including numeric numbering, Chinese numbering, parenthetical numbering, etc.
• 📊 Hierarchy Preservation: Completely maintains the chapter and section hierarchy of the original document
• 🌐 Dual Interface: Supports both command-line scripts and Web UI
• 🔧 Format Optimization: Automatically cleans up extra blank lines and optimizes list and paragraph formatting
• 🚀 Efficient Conversion: Based on PyMuPDF for fast and accurate conversion
• 🎨 Modern UI: Responsive web interface with drag-and-drop upload support
• 📱 Cross-platform: Supports Windows, macOS, Linux
• 🌍 Chinese-friendly: Perfect support for Chinese documents and numbering formats

🛠️ Installation

Method 1: Automatic Installation (Recommended)

python install_requirements.py

Method 2: Manual Installation

pip install PyPDF2 PyMuPDF pandas fastapi uvicorn python-multipart

🚀 Usage

Command Line Version

1. Basic Usage:

python pdf_to_markdown.py

2. Custom Input File:

# Modify the filename in pdf_to_markdown.py
pdf_file = "your_pdf_file.pdf"

Web UI Version

1. Start Web Service:

python start_webui.py

2. Access Web Interface:
   • Open in browser: http://localhost:8000
   • Upload PDF file
   • Click "Start Conversion"
   • Download the generated Markdown file

📁 Project Structure

PDFMark/
├── README.md                    # Project documentation
├── install_requirements.py     # Dependency installation script
├── pdf_to_markdown.py          # Command-line conversion script
├── app.py                      # Web UI application
├── start_webui.py              # Web UI startup script
├── uploads/                    # Temporary upload directory
├── outputs/                    # Conversion output directory
└── static/                     # Static resources directory

🎯 Supported Title Formats

The tool can intelligently recognize the following title formats:

• Numeric Numbering: 1. 2.1 3.2.1 etc.
• Chinese Numbering: 一、 二、 三、 etc.
• Parenthetical Numbering: (1) (2) (一) (二) etc.
• Chapter Titles: Titles containing keywords like "Chapter X"
• All-caps Titles: Short lines of all-uppercase text

📋 Conversion Example

Input PDF Content:

Chapter 1 Introduction

1.1 Research Background
1.1.1 Problem Statement
1.1.2 Research Significance

1.2 Research Objectives
(1) Primary Objectives
(2) Secondary Objectives

II. Literature Review

Output Markdown:

# Chapter 1 Introduction

## 1.1 Research Background
### 1.1.1 Problem Statement
### 1.1.2 Research Significance

## 1.2 Research Objectives
### (1) Primary Objectives
### (2) Secondary Objectives

# II. Literature Review

⚙️ Configuration Options

Custom Title Detection Rules

You can customize title recognition rules in the detect_headings() function:

# Add new title format detection
elif re.match(r'^Section [IVXLCDM]+', line):
    processed_lines.append('## ' + line)

🤝 Contributing

Issues and Pull Requests are welcome to improve the project!

📄 License

This project is licensed under the MIT License - see the LICENSE file for details

---

🌟 Star History

If this project helps you, please consider giving it a star! ⭐

📞 Contact

• Issues: GitHub Issues
• Email: [email protected]

---

PDFMark - Making PDF to Markdown conversion simple and intelligent! 🚀