Como converter PDF para Markdown para usar em notas ou num chat de IA

A maioria dos PDFs que valem ir para as notas ou ser assunto de uma conversa com um chat de IA são relatórios, artigos e manuais, e o Markdown é o formato com que os dois lidam melhor. A conversão é rápida. Saber exatamente o que sobrevive a ela é o que diz se o modelo de fato recebeu a parte do documento sobre a qual você está perguntando.

PDF para Markdown, passo a passo

1. Abra o PDF to Markdown e escolha Add a PDF (adicionar um PDF), ou solte o arquivo na página. Aparecem miniaturas das páginas. Um arquivo protegido por senha pede a senha primeiro.
2. Pressione o botão PDF to Markdown. Não há configurações.
3. Confira se os títulos de página batem com o documento e então use Copy (copiar) para copiar o resultado ou Download (baixar) para salvá-lo como document.md.

O formato da saída

Um título de página, nesta saída, é a linha ## Page n que a ferramenta escreve antes do texto de cada página, em que n é a posição da página no arquivo, contando a partir de 1. Abaixo de cada título vem todo o texto daquela página, lido na ordem do arquivo e juntado num único parágrafo. Um PDF de três páginas dá isto:

## Page 1

(all the text on page 1, as one paragraph)

## Page 2

(all the text on page 2, as one paragraph)

## Page 3

(all the text on page 3, as one paragraph)

Os títulos são de nível dois, para que o arquivo possa ficar abaixo do título da própria nota sem competir com ele. Eles são a única estrutura da saída, e isso é proposital: a quebra de página é o único limite estrutural que um PDF realmente registra. Todo o resto que você vê numa página (um título, uma lista com marcadores, uma tabela) é texto posicionado e linhas, sem nada no arquivo dizendo o que são.

O que a saída em Markdown não consegue carregar

No PDF	No Markdown
Uma quebra de página	Um título ## Page n
Um título dentro de uma página	Texto simples, dentro do parágrafo da página
Negrito e itálico	Texto simples
Uma lista com marcadores ou numerada	O texto dos itens, emendado
Uma tabela	O texto das células na ordem do arquivo, sem linhas nem colunas
Quebras de linha e de parágrafo dentro de uma página	Um parágrafo por página
Uma página digitalizada	Um título de página sem nada embaixo; um arquivo inteiramente digitalizado recebe uma mensagem no lugar

Um título num PDF é texto que por acaso é maior. Não existe nenhuma marcação dizendo “isto é um título”, então um conversor que promove texto grande a # está adivinhando pelo tamanho da fonte. Isso funciona em documentos gerados a partir de um mesmo modelo e falha em todo o resto, e a falha é um absurdo dito com confiança: uma hierarquia de títulos que parece certa e não é. Uma tabela é feita de linhas de grade e texto posicionado, sem nenhuma relação registrada entre eles, e recuperá-la exige uma análise das linhas de grade que não tem implementação no navegador. Por isso a saída é simples às claras, em vez de errada de forma sutil.

O número da página é a folha, não o número impresso

O n de cada título conta as folhas a partir do início do arquivo. Ele não sabe nada dos números impressos nas páginas. Pense num relatório com capa e quatro páginas preliminares numeradas em algarismos romanos: a página impressa com “1” é a sexta folha, então o título dela fica ## Page 6.

Isso importa mais numa conversa com IA. Quando um modelo cita a “página 6”, ele quer dizer a sexta folha do arquivo que você entregou, então procure a sexta página no seu leitor, e não a página com 6 impresso no rodapé. Se você mesmo está gerando o PDF, numerar todas as folhas a partir de 1 com o Page numbers faz as duas contagens baterem.

Antes de colar num chat de IA

• Procure títulos sem nada embaixo. Um título seguido direto do próximo título significa que aquela página estava em branco ou era uma imagem, então o modelo não recebe nada dela. Um documento inteiramente digitalizado recebe uma mensagem dizendo que nenhum texto foi encontrado, porque não há camada de texto para ler e a ferramenta não faz OCR; um documento com só algumas páginas digitalizadas mostra títulos vazios para essas páginas.
• Leia uma página com várias colunas. Esta é a mesma extração do PDF to text, então duas colunas podem se intercalar, e texto de cabeçalhos, rodapés ou caixas flutuantes pode cair no meio de uma frase.
• Mande só as páginas de que você precisa. O Split PDF extrai um intervalo de páginas antes. Os títulos passam então a contar a partir do início do trecho extraído, então a página 1 do Markdown é a primeira página que você manteve, e não a página 1 do original.
• Saiba onde o texto sai do seu dispositivo. A conversão acontece na aba do navegador. Colar o resultado num serviço de chat é o momento em que o documento vai para esse serviço, e essa é uma decisão sobre o serviço, não sobre a conversão.

Outras formas de fazer isso

Não há método nativo no macOS, no Windows ou no iPhone na lista que verificamos. Na linha de comando, o pdftotext do poppler gera texto simples a partir da mesma camada de texto, sem os títulos de página, que você teria de acrescentar por conta própria:

pdftotext -layout input.pdf output.txt

Como verificar que nada foi enviado

Abra a aba Network das ferramentas de desenvolvedor do navegador antes de adicionar o PDF. Quando o arquivo abre, a página baixa o código que lê PDFs; depois disso, rodar a conversão e copiar o resultado não geram nenhuma requisição que leve o seu documento.

Converta o documento com o PDF to Markdown. Se você quer o texto sem os títulos de página, o PDF to text entrega as mesmas palavras em um bloco por página.