PDF2MD: конвертация PDF в Markdown с контролем качества OCR

PDF2MD — это инструмент с открытым исходным кодом, который не только конвертирует сканы и архивы документов в формат Markdown, но и предоставляет детальный отчет о качестве распознавания текста.

В отличие от стандартных конвертеров, генерирующих текст без обратной связи, PDF2MD выявляет пропущенные страницы, пустые листы и ошибки OCR, где вместо читаемого текста был получен мусор. Это критически важно для работы с юридическими документами, бухгалтерской отчетностью и архивами, где требуется высокая степень доверия к результату.

Утилита поддерживает пакетную обработку: пользователи могут загружать целые папки, а также архивы форматов ZIP, RAR и 7z (включая вложенные структуры). Система корректно обрабатывает смешанные документы: PDF, многостраничные TIFF-сканы, фотографии, файлы Word и Excel.

• Поддержка пакетной загрузки файлов и директорий
• Распознавание вложенных архивов ZIP, RAR, 7z
• Корректная работа с кириллическими именами файлов из Windows-архивов
• Идентификация дубликатов имен без потери данных
• Генерация отчета об ошибках OCR и пропусках страниц

Разработчики уделили особое внимание стабильности при работе со сложными структурами файлов. Кириллические имена из виндовых архивов не вызывают ошибок, а файлы с одинаковыми именами сохраняются без потерь, что делает инструмент надежным решением для массовой обработки документации.

Проект доступен на платформе GitHub по адресу https://github.com/gogi2305/PDF2MD, где разработчики публикуют обновления и документацию.