PDF zu Markdown

Warum PDF zu Markdown?

Markdown ist das Lingua-Franca-Format für AI-Workflows, Wikis und persönliche Notiz-Systeme. Obsidian, Logseq, Hugo, Astro-Content-Collections, Claude-Code-Dateien und nahezu jeder RAG-Index erwarten Markdown, keine PDFs. Wer einen Stapel Verträge, Studien oder Whitepaper in einer Wissensbasis ablegen will, steht vor dem gleichen Problem: PDFs sind für Menschen designt, nicht für Maschinen.

Dieses Tool macht den umgekehrten Weg gangbar. Aus einer PDF entsteht eine saubere .md-Datei mit erkennbarer Struktur: Überschriften als #-Header, Listen als Bullet-Points, Absätze als Absätze. Was nicht zuverlässig konvertierbar ist (verschachtelte Tabellen, mathematische Formeln, Spalten-Layouts mit Marginalien), bleibt als Text erhalten und wird ehrlich markiert, statt halbgar neu erfunden oder stillschweigend weggelassen.

Wie funktioniert die Konvertierung technisch?

Hat die PDF einen eingebetteten Text-Layer, liest eine etablierte Open-Source-PDF-Bibliothek den Text samt Position und Schriftgröße aus. Eine Layout-Heuristik gruppiert Textblöcke zu Absätzen, schätzt aus Schriftgröße und Position die Heading-Ebene und erkennt Bullet-Marker (•, -, Zahlen + Punkt) als Listen. Heraus kommt ein GitHub-Flavored-Markdown- Dokument, das in Obsidian, VS Code und jeder Standard-Markdown-Pipeline nativ rendert.

Bei gescannten PDFs gibt es keinen Text-Layer, die Seiten sind Bilder. Hier schaltet das Tool in den OCR-Modus: Ein bewährtes WebAssembly-OCR-Modell liest den Text aus dem Bild heraus, mit Sprachpaketen für Deutsch, Englisch und weitere europäische Sprachen. Das Modell wird einmalig in den Browser- Cache geladen (~7 MB), danach funktioniert das Tool auch ohne Internetverbindung weiter.

Wofür wird das Tool genutzt?

• Obsidian-Vault befüllen. Ein Stapel akademischer Papers wird zu Markdown-Dateien, in denen sich Verlinkungen und Backlinks setzen lassen.
• Claude-Code- oder Coding-Wiki-Seed. Architektur-PDFs werden zu Markdown, das in .md-Dateien neben den Code-Files lebt.
• RAG-Index-Vorbereitung. Markdown ist deutlich besser zerlegbar als PDF, Chunker arbeiten an Heading-Grenzen sauber.
• Logseq-Block-Import. Markdown-Headings werden zu Logseq-Blocks.
• Hugo / Astro Content-Migration. Bestehende PDF-Dokumentationen werden zu statischen Sites.

Was bleibt erhalten: und was nicht?

Erhalten: Überschriften (mit erkennbarer Hierarchie), Absätze, Listen (geordnet und ungeordnet), Inline-Formatierungen wie Fett und kursiv, Links mit Anker-Text, einfache Tabellen, Bilder als referenzierte Dateien.

Übernommen, aber ohne Aufbau: mathematische Formeln. Der Text bleibt Zeile für Zeile stehen, darüber steht eine Warnzeile. Gelöscht wird nichts, denn eine Zeile, die der Parser nicht deuten kann, ist immer noch Inhalt deines Dokuments.

Nicht als Tabelle rekonstruiert: Tabellen mit Zellen-Merges, verschachtelten Zeilen oder freischwebenden Beschriftungen. Deren Zeilen stehen nicht übereinander, also entsteht keine Pipe-Struktur, sondern Fließtext. Wie sicher die Umwandlung insgesamt war und wo sie hakt, steht im Qualitäts-Index unter dem Ergebnis: Er zählt zusammengelaufene Tabellenzellen, auseinandergefallene Zahlen, nicht aufgehende Tausendergruppen und markierte Formelbereiche und nennt dazu die geschätzte Token-Zahl für die Weiterverarbeitung.

Nicht enthalten in dieser Version: Annotationen, Formularfeld-Daten, eingebettete Dateien, OCG-Layer. Diese liegen architektonisch unterhalb der Text-Extraktion und brauchen separate Behandlung, Phase 2 wird hier nachziehen, sobald das MVP stabil läuft.

Datenschutz: alles bleibt im Browser-Tab

Viele kostenlose PDF-zu-Markdown-Dienste laden die Datei auf einen Server hoch, konvertieren dort und schicken das Ergebnis zurück. Das Geschäftsmodell fragt sich oft mit, denn der Server sieht den Inhalt, auch wenn er behauptet, ihn nach 24 Stunden zu löschen. Bei vertraulichen Verträgen, medizinischen Befunden oder internen Strategie-PDFs ist das selten akzeptabel.

Hier passiert nichts davon. Die PDF wird in deinem Browser-Tab geparst, das OCR-Modell läuft als WebAssembly-Modul im selben Tab, das Markdown wird im Speicher zusammengebaut und als Download angeboten. Du kannst das Netzwerk-Panel der Entwicklerwerkzeuge öffnen und beobachten: kein einziger Byte deiner PDF verlässt deinen Rechner.

Welche verwandten Konverter gibt es?

Dieses Tool ist Teil der Markdown-Konverter-Familie eine Sammlung browser-only Konverter, die Office-Formate für AI- und Wiki-Workflows aufbereiten:

• DOCX zu Markdown: Word-Dokumente direkt zu Markdown, mit Heading-Struktur und Listen.
• XLSX zu Markdown: Excel- und ODS-Tabellen als GFM-Pipe-Tabellen, multi-sheet-fähig.
• HTML zu Markdown: Webseiten oder einzelne HTML-Snippets per Datei oder Paste.
• Metadaten entfernen: EXIF, GPS und XMP aus Bildern und PDFs strippen, lokal im Browser.