03 / SO KONVERTIEREN SI
So konvertieren Sie ein PDF in Markdown
Der Ablauf ist bewusst einfach: Wählen Sie genau eine PDF-Datei aus und starten Sie die Konvertierung. Während der Verarbeitung zeigt die Seite den Status „Wird hochgeladen“, dann „In der Warteschlange“ und schließlich „Läuft“ mit einem Fortschrittsprozentsatz an.
Sie können vor dem Start zwei Optionen anpassen: die Tabellenerkennung (detectTables) und den OCR-Fallback (ocrFallback). Die Tabellenerkennung ist standardmäßig aktiviert, der OCR-Fallback standardmäßig deaktiviert. Wenn Sie den Fallback aktivieren, können Sie außerdem die OCR-Sprachen wählen: Englisch, Deutsch und Französisch.
04 / WAS MIT IHRER DATE
Was mit Ihrer Datei im Hintergrund passiert
Die Datei wird hochgeladen, in privatem Objektspeicher abgelegt und nach einer Stunde (anonym) oder nach 7 Tagen (bei angemeldetem Konto) automatisch gelöscht. Bevor irgendeine Verarbeitung startet, wird die Datei auf Schadsoftware gescannt – so gelangt eine infizierte Datei nie in die Konvertierungs-Engine.
Der Dateityp wird anhand der tatsächlichen Bytes bestimmt, nicht anhand des Dateinamens. Wenn Sie eine Datei in .pdf umbenennen, die in Wirklichkeit kein PDF ist, wird sie abgelehnt. Nach der Konvertierung wird das erzeugte Markdown erneut geöffnet und geparst, bevor es zum Download angeboten wird. Falls dabei ein Problem auftritt, erhalten Sie keine fehlerhafte Datei, sondern der Auftrag schlägt fehl.
05 / WIE DIE STRUKTUR E
Wie die Struktur extrahiert wird
Die Extraktion erfolgt deterministisch mithilfe einer Text- und Tabellen-Engine. Das bedeutet: Die gleiche Eingabe führt immer zum gleichen Ergebnis, ohne Zufall oder Interpretation durch KI. Überschriften, Listen, Links, Codeblöcke und Tabellen werden in der Reihenfolge der Seiten erkannt und entsprechend in Markdown umgewandelt.
Links im PDF werden den Wörtern zugeordnet, über denen sie liegen, sodass sie als echte Markdown-Links erscheinen und nicht als nackter Text. Tabellen werden als Pipe-Tabellen ausgegeben. Zeichen, die in Markdown eine besondere Bedeutung haben, werden maskiert, damit sie als normaler Text erhalten bleiben.
06 / GRENZEN UND WAS DA
Grenzen und was das Tool nicht leisten kann
Das Tool verarbeitet genau eine PDF-Datei pro Auftrag. Die Datei darf bis zu 50 MB groß sein und bis zu 500 Seiten umfassen. Liegt die Datei über diesen Grenzen, kann sie nicht konvertiert werden.
Wenn eine Seite keinen Textlayer enthält (z. B. bei gescannten Dokumenten), findet die normale Extraktion keine Zeichen. In diesem Fall wird die Seite ohne Text übersprungen, sofern nicht der OCR-Fallback aktiviert ist. Auch bei aktiviertem Fallback kann OCR nur Texte in den Sprachen Englisch, Deutsch und Französisch zuverlässig erkennen.
Die Erkennung von Tabellen erfolgt heuristisch; nicht jede Tabelle wird perfekt erkannt. Komplexe Layouts oder mehrspaltige PDFs können zu unerwarteten Strukturen führen. Da keine KI im Spiel ist, gibt es keine intelligente Korrektur solcher Randfälle.
07 / MÖGLICHE WARNUNGEN
Mögliche Warnungen verstehen
Nach der Konvertierung kann das Tool Ihnen eine von drei Warnungen anzeigen – mehr gibt es nicht:
OCR_TEXT_LAYER_ADDED erscheint nur, wenn der OCR-Fallback aktiviert war und tatsächlich ausgeführt wurde. NO_TEXT_LAYER_FOUND bedeutet, dass mindestens eine Seite keinen extrahierbaren Text enthielt. TABLES_HEURISTIC erscheint nur, wenn Tabellen gefunden wurden. Wenn Sie eine dieser Warnungen sehen, können Sie entsprechend handeln: Aktivieren Sie den OCR-Fallback, wenn Sie gescannte Dokumente haben, oder prüfen Sie die Tabellenerkennung, falls Tabellen nicht korrekt umgewandelt wurden.
FAQ
Häufige Fragen
Kann ich ein gescanntes PDF in Markdown umwandeln?
Ja, wenn Sie den OCR-Fallback aktivieren. Standardmäßig ist er deaktiviert. Für Seiten ohne Textlayer erkennt er dann Text in den Sprachen Englisch, Deutsch und Französisch. Beachten Sie, dass OCR nicht perfekt ist und die Warnung NO_TEXT_LAYER_FOUND trotzdem auftreten kann, wenn einzelne Seiten keinen Text haben.
Was bedeutet die Warnung NO_TEXT_LAYER_FOUND?
Diese Warnung bedeutet, dass mindestens eine Seite in Ihrer PDF-Datei keinen extrahierbaren Text enthält – zum Beispiel bei gescannten Dokumenten ohne OCR. Der Text auf diesen Seiten wird nicht in das Markdown übernommen. Aktivieren Sie den OCR-Fallback, um auch solche Seiten zu verarbeiten.
Welche Dateigröße und Seitenanzahl sind erlaubt?
Sie können genau eine PDF-Datei mit bis zu 50 MB und bis zu 500 Seiten hochladen. Wenn Ihre Datei größer ist oder mehr Seiten hat, wird sie vom Tool abgelehnt.
Werden meine hochgeladenen Dateien gelöscht?
Ja. Die Datei wird in privatem Objektspeicher abgelegt und nach 1 Stunde gelöscht, wenn Sie anonym arbeiten. Bei einem angemeldeten Konto beträgt die Aufbewahrungsfrist 7 Tage. Danach wird die Datei unwiderruflich entfernt.
Warum werden Tabellen nicht korrekt erkannt?
Die Tabellenerkennung (detectTables) ist standardmäßig aktiv und arbeitet heuristisch. Bei sehr komplexen oder ungewöhnlich formatierten Tabellen kann die Erkennung fehlschlagen. Die Warnung TABLES_HEURISTIC zeigt an, dass Tabellen erkannt wurden – überprüfen Sie das Ergebnis und korrigieren Sie es gegebenenfalls manuell.
Werden Links aus dem PDF als echte Links übernommen?
Ja. Links, die im PDF über Text liegen, werden den entsprechenden Wörtern zugeordnet und erscheinen im Markdown als echte Links ([Text](URL)), nicht als nackte URLs. So bleiben sie funktionsfähig.
Was passiert, wenn die Konvertierung fehlschlägt?
Der Auftrag wird abgebrochen, wenn die Eingabedatei ungültig ist oder wenn das erzeugte Markdown nicht erneut geöffnet und geparst werden kann. In beiden Fällen erhalten Sie keine fehlerhafte Datei – stattdessen wird die Konvertierung mit einem Fehler beendet.