PDF को Markdown में बदलें

PDF को Markdown में क्यों बदलें?

Markdown कुछ सिंबल वाला सादा टेक्स्ट है: हेडिंग के लिए #, बुलेट के लिए डैश, टेबल के लिए खड़ी लाइनें। इसे बिना किसी सॉफ़्टवेयर के पढ़ा जा सकता है, किसी भी एडिटर में बदला जा सकता है, और यह GitHub, Notion, Obsidian या कंपनी की विकी पर साफ़ दिखता है। AI असिस्टेंट भी इसी फ़ॉर्मैट को सबसे अच्छी तरह समझते हैं: जब आप कोई रिपोर्ट ChatGPT या Claude में पेस्ट करते हैं, तो हेडिंग का क्रम और टेबल उन्हें सारांश बनाने, तुलना करने या किसी सटीक सवाल का जवाब देने में मदद करते हैं। PDF रीडर से सीधा कॉपी-पेस्ट अक्सर कॉलम मिला देता है, हर लाइन पर वाक्य तोड़ देता है और पेज हेडर दोहराता है; Markdown में बदलने से ये कमियाँ नहीं आतीं।

स्ट्रक्चर दोबारा कैसे बनाया जाता है?

PDF में हेडिंग या पैराग्राफ़ नहीं होते, सिर्फ़ सटीक कोऑर्डिनेट पर रखे टेक्स्ट के टुकड़े होते हैं। टूल मुख्य टेक्स्ट का फ़ॉन्ट साइज़ पहचानता है, फिर उससे बड़े साइज़ को क्रम देता है: सबसे बड़ा लेवल 1 हेडिंग बनता है, अगला लेवल 2, और इसी तरह आगे। यह कॉलम के बीच की खाली जगह से कॉलम पहचानता है, एक ही पैराग्राफ़ की लाइनें जोड़ता है और शब्द तोड़ने वाले हाइफ़न हटाता है। कई सेल में अलाइन लाइनें टेबल बनाती हैं, बुलेट और नंबर लिस्ट शुरू करते हैं। ज़्यादातर पेजों के ऊपर या नीचे दोहराया गया टेक्स्ट, जैसे रिपोर्ट का नाम या « पेज 3 / 12 », हटा दिया जाता है।

टोकन, सीमाएँ और स्कैन की हुई PDF

AI किसी टेक्स्ट की लंबाई टोकन में, यानी शब्दों के टुकड़ों में, मापते हैं। काउंटर एक अनुमान देता है, लगभग चार कैरेक्टर पर एक टोकन: यह जानने के लिए काम का कि डॉक्यूमेंट एक बातचीत में समाएगा या सिर्फ़ कुछ पेज भेजना बेहतर होगा। ध्यान दें कि हिंदी जैसी लिपियों में असली टोकन संख्या अक्सर ज़्यादा होती है। इमेज कन्वर्ट नहीं होतीं, लेकिन उनकी जगह बताई जा सकती है। बहुत ग्राफ़िक लेआउट, जैसे ब्रोशर या मर्ज सेल वाली टेबल, को कभी-कभी दोबारा जाँचना पड़ता है। और स्कैन की हुई PDF में सिर्फ़ पेजों की इमेज होती हैं: टूल आपको यह बताता है और पढ़ने लायक बनाने के लिए पहले OCR से गुज़ारने का सुझाव देता है। फ़ाइल आपके ब्राउज़र में प्रोसेस होती है और कभी अपलोड नहीं होती।