AI 阅读 PDF 太费 Token？先用 MarkItDown 转成 Markdown

Wed, 05 Aug 2026 13:27:00 +0800

直接把几十页甚至上百页的 PDF 上传给 AI，虽然方便，但不一定是最高效的处理方式。

PDF 本质上是一种面向打印和页面展示的格式。除了正文，它还可能包含页眉、页脚、页码、分栏、坐标定位、重复标题、隐藏文本和复杂表格等信息。AI 在解析文档时，可能需要额外处理这些排版结构，从而增加上下文长度和处理难度。

一种更适合长文档的工作流是：

先把 PDF 转成 Markdown，再让 AI 总结、问答或提取信息。

为什么 Markdown 更适合交给 AI？

Markdown 是结构清晰的纯文本格式，可以用简单符号保留文档中的重要层级，例如：

标题和章节
正文段落
有序列表和无序列表
表格
链接
代码块

与 PDF 相比，Markdown 通常会去掉大量只服务于页面展示的布局信息，让 AI 更容易识别文章结构。

这样做可能带来几个好处：

减少无关排版信息

页码、重复页眉和定位信息可能在转换时被简化，输入内容更加干净。
方便拆分长文档

可以按照一级标题、二级标题或者章节拆分 Markdown，分批交给 AI，避免一次提交整本 PDF。
便于搜索和引用

Markdown 可以直接使用文本编辑器搜索，也适合导入 Obsidian、知识库或 RAG 系统。
方便检查转换结果

在发送给 AI 之前，可以手动删除目录、版权页、重复页脚和无关章节。

需要注意的是，转换成 Markdown 不代表一定会减少 Token。最终消耗仍取决于转换后的文字长度、表格复杂度、OCR 结果以及你发送给 AI 的具体内容。

MarkItDown 是什么？

MarkItDown 是微软开源的一款 Python 工具，可以把多种文件转换成 Markdown，主要面向文本分析、内容索引和大语言模型处理场景。

目前项目支持的格式包括：

PDF
Word：DOCX
PowerPoint：PPTX
Excel：XLSX、XLS
HTML
CSV、JSON、XML
EPUB
ZIP 压缩包
图片和音频等文件

不同格式可能需要安装对应的可选依赖。项目也提供了插件机制，可扩展 OCR 等能力。

安装 MarkItDown

电脑需要先安装 Python，然后在终端中运行：

`1`	`pip install "markitdown[all]"`

[all] 会安装全部常用格式所需的依赖。

如果只需要转换 PDF，也可以只安装 PDF 相关组件：

`1`	`pip install "markitdown[pdf]"`

将 PDF 转换成 Markdown

进入 PDF 所在目录，运行：

`1`	`markitdown document.pdf -o document.md`

其中：

document.pdf 是原始 PDF 文件
document.md 是转换后生成的 Markdown 文件

转换完成后，可以使用 VS Code、Obsidian、Typora 或普通文本编辑器打开 .md 文件。

使用 Python 批量处理

需要集成到脚本或自动化流程时，可以使用 Python API：

from markitdown import MarkItDown

converter = MarkItDown()
result = converter.convert("document.pdf")

with open("document.md", "w", encoding="utf-8") as file:
    file.write(result.text_content)

这段代码会读取 document.pdf，并将转换结果保存为 document.md。

哪些 PDF 适合使用 MarkItDown？

MarkItDown 更适合：

文字型电子书
产品说明书
普通研究报告
合同和规章制度
Word 导出的 PDF
结构相对简单的论文
需要导入 AI 知识库的资料

哪些 PDF 可能转换效果不好？

以下类型需要谨慎检查：

扫描版 PDF
双栏或多栏论文
大量公式的学术文档
表格特别复杂的财务报告
图片中包含大量文字的文件
页面结构非常复杂的杂志
依赖图表位置才能理解的资料

MarkItDown 的 PDF 转换并不能保证完整还原复杂版式。项目维护者也曾说明，部分 PDF 的基础转换能力相对有限；对于复杂表格、扫描文件和学术排版，转换后可能需要手动整理，或者改用带版面识别和 OCR 能力的工具。

因此，不建议转换完成后直接删除原始 PDF。涉及合同、财务数据、论文公式或法律文件时，应同时对照原文核验。

总结

将 PDF 转成 Markdown，并不是单纯更换文件后缀，而是把面向页面展示的文档，整理成更适合 AI 阅读和检索的结构化文本。

对于文字较多、结构清晰的 PDF，这种方式可以减少排版干扰，并方便拆分章节、清理内容、建立知识库和进行多轮问答。

实际使用时可以记住三个步骤：

PDF 转 Markdown → 清理无关内容 → 按章节交给 AI

这样通常比直接上传整份长 PDF 更容易控制上下文，也更方便检查 AI 的回答是否来自原文。

项目地址

GitHub：Microsoft MarkItDown
Python 软件包：MarkItDown on PyPI

AI节省Token on 拾光集

AI 阅读 PDF 太费 Token？先用 MarkItDown 转成 Markdown

为什么 Markdown 更适合交给 AI？

MarkItDown 是什么？

安装 MarkItDown

将 PDF 转换成 Markdown

使用 Python 批量处理

推荐的 AI 阅读 PDF 工作流

第一步：转换格式

第二步：检查转换结果

第三步：删除无关内容

第四步：按章节交给 AI

哪些 PDF 适合使用 MarkItDown？

哪些 PDF 可能转换效果不好？

总结

项目地址