Python实用指南：用Spire.PDF将PDF转为Markdown（含页面提取与OCR）

脚本专家

PDF格式保真度高，但在文档编辑、内容复用和自动化流程中却显得笨重。将PDF转换为Markdown可以解决这一痛点：Markdown是纯文本，易于Git版本管理、对接GitHub/MkDocs等平台，也适合AI处理与自动化工作流。本文将介绍如何使用Python库Spire.PDF for Python实现PDF到Markdown的转换，涵盖整体转换、指定页面提取、表格提取以及针对扫描件的光学字符识别（OCR）。

## 安装依赖库

在开始之前，确保已安装Python 3.7或更高版本。通过pip安装Spire.PDF：

2. pip install Spire.PDF

复制代码

如果需要对扫描版PDF进行OCR识别，还需安装Spire.OCR并下载对应的OCR模型文件。

2. pip install Spire.OCR

复制代码

模型文件需根据操作系统（Windows/Linux/macOS）从官方渠道下载，解压到本地目录，并在代码中指定模型路径。

## 将整个PDF转换为Markdown

对于无需分页处理的简单PDF，可直接使用一行保存方法完成转换。代码示例如下：

2. from spire.pdf import *
3. input_file = "sample.pdf"
4. output_file = "output.md"
5. doc = PdfDocument()
6. doc.LoadFromFile(input_file)
7. doc.SaveToFile(output_file, FileFormat.Markdown)
8. doc.Close()

复制代码

该库会自动解析PDF内容：文本保留段落并添加换行；图片转为Base64编码的PNG嵌入Markdown；表格转换为Markdown管道符结构；粗体、斜体等格式尽可能保留为标准语法。最终生成的Markdown结构贴近原始PDF，且保持可编辑性。

## 转换PDF指定页面为Markdown

对于大文件（如报告、手册），只需提取某几页时，可以先将选中页面复制到新PdfDocument对象中再转换。注意页面索引从0开始。

2. from spire.pdf import *
3. input_file = "report.pdf"
4. output_file = "chapter2.md"
5. src_pdf = PdfDocument()
6. src_pdf.LoadFromFile(input_file)
7. partial_pdf = PdfDocument()
8. # 提取第3–6页（索引2–5）
9. partial_pdf.InsertPageRange(src_pdf, 2, 5)
10. partial_pdf.SaveToFile(output_file, FileFormat.Markdown)
11. src_pdf.Close()
12. partial_pdf.Close()

复制代码

## 提取PDF中的表格并转换为Markdown表格

表格是PDF中最常见的结构化数据，手动复制到Markdown容易出错。更好的方法是使用PdfTableExtractor提取表格数据并生成Markdown表格语法。

2. from spire.pdf import *
3. input_file = "invoice.pdf"
4. output_file = "extracted_tables.md"
5. pdf = PdfDocument()
6. pdf.LoadFromFile(input_file)
7. extractor = PdfTableExtractor(pdf)
8. markdown_tables = []
9. for page_idx in range(pdf.Pages.Count):
10.     table_list = extractor.ExtractTable(page_idx)
11.     if table_list:
12.         for table in table_list:
13.             row_count = table.RowCount
14.             col_count = table.ColumnCount
15.             for row in range(row_count):
16.                 row_text = []
17.                 for col in range(col_count):
18.                     cell_value = table.GetText(row, col).replace("\n", " ")
19.                     row_text.append(cell_value)
20.                 markdown_tables.append("| " + " | ".join(row_text) + " |")
21.                 if row == 0:
22.                     markdown_tables.append("| " + " | ".join(["---"] * col_count) + " |")
23.             markdown_tables.append("\n")
24. with open(output_file, "w", encoding="utf-8") as f:
25.     f.write("\n".join(markdown_tables))
26. pdf.Close()

复制代码

输出结果如：

2. | Product | Price | Quantity |
3. |---------|-------|----------|
4. | A       | 10    | 2        |
5. | B       | 15    | 5        |

复制代码

结构清晰的表格转换效果较好，复杂布局（如合并单元格）可能需要后续手动调整。

## 使用OCR将扫描版PDF转换为Markdown

扫描件或图片型PDF无法直接提取文本，需借助OCR。基本流程：将每页转为图片 → OCR识别 → 将识别文本写入Markdown文件。

以下示例代码演示了OCR转换过程：

2. from spire.pdf import *
3. from spire.ocr import *
5. def convert_pdf_page_to_image(pdf, page_index):
6.     return pdf.SaveAsImage(page_index)
8. def recognize_text_from_image(image_path, language, model_path):
9.     scanner = OcrScanner()
10.     configure_options = ConfigureOptions()
11.     configure_options.Language = language
12.     configure_options.ModelPath = model_path
13.     scanner.ConfigureDependencies(configure_options)
14.     scanner.Scan(image_path)
15.     visualTextAligner = VisualTextAligner(scanner.Text)
16.     return visualTextAligner.ToString()
18. input_file = "ScannedDocument.pdf"
19. output_file = "ScannedPDF.md"
20. model_path = r"D:\Download\win-x64"  # 根据实际路径修改
21. pdf = PdfDocument()
22. pdf.LoadFromFile(input_file)
23. with open(output_file, "w", encoding="utf-8") as writer:
24.     writer.write("# 扫描PDF的OCR结果\n\n")
25.     for page_index in range(pdf.Pages.Count):
26.         image = convert_pdf_page_to_image(pdf, page_index)
27.         image_path = f"page_{page_index + 1}.png"
28.         image.Save(image_path)
29.         recognized_text = recognize_text_from_image(image_path, "Chinese", model_path)
30.         writer.write(f"## 第 {page_index + 1} 页\n\n")
31.         writer.write(recognized_text)
32.         writer.write("\n\n")
33. pdf.Close()
34. print(f'扫描版PDF已成功转换为 "{output_file}"')

复制代码

语言参数可改为"English"以识别英文。OCR准确率依赖扫描质量：高分辨率、清晰文档效果最佳；模糊、倾斜或复杂背景会降低准确率；手写文本可能无法正确识别。

## 总结与常见问题

根据不同类型的PDF选择合适的方法：
- 简单文档 → 完整转换
- 大文件或局部内容 → 页面提取
- 结构化数据 → 表格提取
- 扫描或图片型PDF → OCR

**Q: 所有PDF都能转换为Markdown吗？**
A: 文本型PDF通常可直接处理，扫描版需要OCR。最终效果取决于文档结构复杂度。

**Q: PDF转Markdown能保留格式吗？**
A: 基础格式（段落、列表、简单表格）可保留，复杂布局（多栏、合并单元格）可能需要后期手动调整。

合理使用上述方法能显著提升文档处理效率，减少手动排版工作。

热心网友6

楼主这篇教程很实用，正好最近在折腾PDF批量转Markdown。之前手动复制表格太痛苦了，表格提取那段代码可以直接拿过来用，感谢分享！OCR部分也正好能解决扫描件的问题。请问一下，Spire.PDF的OCR识别对中文扫描件支持怎么样？需要额外下载中文字体包吗？

热心网友6

感谢分享，这篇指南非常实用！尤其是表格提取和OCR的部分，正好解决了我处理扫描版PDF的痛点。有个小疑问：OCR模型文件除了官方渠道，有推荐的具体版本吗？另外，如果PDF里包含中文混合英文的扫描内容，Spire.OCR 的识别效果怎么样？麻烦楼主有空再补充一下，谢谢！

热心网友6

非常感谢分享这么详细的教程！最近正好在整理一批PDF资料，想转成Markdown方便做知识库管理。你提到的页面提取和表格提取功能特别实用，尤其是表格那个例子，手动复制确实容易错乱。关于OCR的部分，我之前试过其他库但配置比较麻烦，Spire.OCR搭配模型文件的方式看起来清晰很多。请问下模型文件大概多大？下载速度如何？再次感谢你的整理，已经收藏了！