PDF → Markdown

스크립트 받기

아래 버튼으로 다운로드하거나, 코드를 복사해 pdf2md.py 로 저장하세요.

라이브러리 설치

Python 3.9 이상. PyMuPDF를 권장하며, 없으면 pypdf로 자동 대체합니다.

pip install pymupdf        # 권장: 제목/굵게/이미지 추출 지원
# 또는
pip install pypdf          # 대체: 텍스트만 추출

실행

python pdf2md.py 문서.pdf                 # 문서.md 생성
python pdf2md.py 문서.pdf -o 결과.md      # 출력 파일 지정
python pdf2md.py ./pdfs/ -o ./md/         # 폴더 안 PDF 일괄 변환
python pdf2md.py 문서.pdf --images        # 이미지도 추출 (PyMuPDF)
python pdf2md.py 문서.pdf --page-breaks   # 페이지 구분선 삽입
python pdf2md.py 문서.pdf --stdout        # 화면에 출력
python pdf2md.py 문서.pdf --no-tables     # 표 인식 끄기
python pdf2md.py 스캔.pdf --ocr           # 스캔 PDF: 텍스트 없는 페이지를 OCR

스캔 PDF 변환 (OCR)

스캐너나 사진으로 만든 PDF는 글자가 이미지라서 웹페이지에서는 변환되지 않습니다. Python 스크립트는 --ocr 옵션으로 텍스트 레이어가 없는 페이지만 Tesseract OCR로 읽어 변환합니다. OCR 역시 내 컴퓨터에서만 실행됩니다.

pip install pymupdf                                   # Tesseract 엔진 내장, 별도 설치 불필요
python pdf2md.py 스캔.pdf --ocr                       # 기본 언어 kor+eng
python pdf2md.py 스캔.pdf --ocr --ocr-lang eng        # 영문 문서
python pdf2md.py ./scans/ -o ./md/ --ocr              # 폴더 일괄

처음 실행할 때 한국어·영어 언어 데이터(약 6MB)를 자동으로 내려받아 ~/.cache/pdf2md/tessdata에 저장합니다. 이미 Tesseract가 설치되어 있으면 그 언어 데이터를 그대로 씁니다. 처리 속도는 페이지당 1~3초 정도입니다.

OCR 결과는 원본 화질에 따라 오탈자가 있을 수 있고, 표와 제목 인식 정확도도 일반 PDF보다 낮습니다. 브라우저 안에서 OCR을 돌리는 것도 가능하지만 한국어 모델 다운로드(약 10MB)와 페이지당 수 초에서 수십 초의 처리 시간이 들어 이 페이지에는 넣지 않았습니다.