PDF to Markdown Lossless

Script en Python para convertir documentos PDF a Markdown, intentando conservar el texto y la estructura original lo mejor posible.

Está pensado sobre todo para manuales técnicos, documentos oficiales y PDFs con comandos de consola, cabeceras repetidas, índices o partes escaneadas.

Qué hace

• Extrae texto con PyMuPDF.
• Usa OCR cuando detecta bloques de imagen o texto mal extraído.
• Elimina cabeceras y pies repetidos.
• Limpia ruido de firmas digitales y certificados en las primeras páginas.
• Intenta reparar títulos y numeraciones partidas.
• Detecta bloques de comandos y los guarda como bash.
• Permite usar Marker de forma opcional para comparar resultados o rescatar tablas.

Requisitos

• Python 3
• PyMuPDF
• Tesseract OCR, si el PDF necesita OCR

Instalación básica:

pip install pymupdf

Para OCR con Python:

pip install pytesseract Pillow

En Debian/Ubuntu:

sudo apt update
sudo apt install tesseract-ocr tesseract-ocr-spa tesseract-ocr-eng

Uso

python3 pdf_to_md_lossless_v13.py entrada.pdf salida.md

Ejemplo:

python3 pdf_to_md_lossless_v13.py manual.pdf manual.md

Por defecto, el script añade información de conversión al inicio del archivo y separa el contenido por páginas.

Uso recomendado

Para generar un Markdown más limpio:

python3 pdf_to_md_lossless_v13.py entrada.pdf salida.md \
  --plain-text \
  --fix-joins \
  --normalize-quotes \
  --drop-nonprintables

Para quitar la cabecera técnica y los separadores de página:

python3 pdf_to_md_lossless_v13.py entrada.pdf salida.md \
  --plain-text \
  --no-conversion-header \
  --no-page-markers

PDFs escaneados

Si el documento es principalmente una imagen o tiene poco texto extraíble:

python3 pdf_to_md_lossless_v13.py escaneado.pdf salida.md \
  --enable-fullpage-ocr-fallback \
  --ocr-lang spa \
  --ocr-dpi 400

Por defecto se usa spa+eng y 300 DPI.

Opciones útiles

Opción	Descripción
--plain-text	No mete el texto normal dentro de bloques de código.
--no-conversion-header	No añade metadatos de conversión al principio.
--no-page-markers	No separa el resultado por páginas.
--fix-joins	Corrige algunas uniones habituales en comandos.
--normalize-quotes	Sustituye comillas tipográficas por comillas normales.
--drop-nonprintables	Elimina caracteres no imprimibles.
--dehyphenate	Intenta unir palabras partidas entre líneas.
--keep-running-headers	Conserva cabeceras y pies repetidos.
--keep-legal-signature-noise	Conserva el contenido relacionado con firmas y certificados.
--enable-fullpage-ocr-fallback	Activa OCR de toda la página como último recurso.
--ocr-lang spa	Indica el idioma de Tesseract.
--ocr-dpi 400	Aumenta la resolución usada para OCR.
--debug-extraction	Añade información de depuración al Markdown.

Consulta todas las opciones:

python3 pdf_to_md_lossless_v13.py --help

Marker

Marker es opcional. Puede servir para comparar resultados o intentar rescatar tablas.

Instalación:

pip install marker-pdf

Generar una conversión adicional con Marker:

python3 pdf_to_md_lossless_v13.py entrada.pdf salida.md \
  --marker-compare

Rescatar tablas:

python3 pdf_to_md_lossless_v13.py entrada.pdf salida.md \
  --marker-table-rescue

Añadir las tablas rescatadas al final del archivo principal:

python3 pdf_to_md_lossless_v13.py entrada.pdf salida.md \
  --append-marker-table-rescue

Notas

• El resultado puede necesitar revisión manual en documentos con varias columnas, tablas complejas o diseños poco convencionales.
• La calidad del OCR depende del escaneo original.
• Las imágenes y figuras no se exportan.
• Marker no es necesario para usar el script.