← LabDarWin

Palimpsest

Un PDF, gratté et réécrit en Markdown propre. La conversion se fait sur votre ordinateur, dans le navigateur : rien n'est envoyé nulle part, quelle que soit la taille du fichier.

Comment ça marche, et ses limites

  • Le fichier est lu en mémoire sur votre machine et décodé par PDF.js dans un worker : l'interface reste fluide, même sur un gros document.
  • La structure (titres, listes, paragraphes) est reconstruite à partir de la position et de la taille du texte. C'est de l'heuristique : excellent sur les PDF numériques, imparfait sur les mises en page complexes.
  • Les tableaux sont aplatis, et un PDF scanné (images sans texte) ne peut pas être converti ici, d'où le guide ci-dessous.

Pour les très gros PDF, ou les scans

Le convertisseur ci-dessus traite les PDF numériques. Pour un document énorme, scanné, ou bourré de tableaux, un outil local donnera un meilleur résultat. Tout reste sur votre ordinateur.

  1. marker

    PDF complexes, scannés ou avec beaucoup de mise en page

    La meilleure qualité : gère scans, colonnes, tableaux et équations.

    installerpip install marker-pdf
    lancermarker_single document.pdf --output_dir ./out

  2. markitdown

    Conversion rapide et générale

    L'outil de Microsoft, simple et polyvalent (PDF, Word, PowerPoint…).

    installerpip install markitdown
    lancermarkitdown document.pdf > document.md

  3. pymupdf4llm

    Gros documents textuels

    Très rapide, excellent sur les PDF numériques (avec couche texte).

    installerpip install pymupdf4llm
    lancerpython -c "import pymupdf4llm,pathlib; pathlib.Path('doc.md').write_text(pymupdf4llm.to_markdown('document.pdf'))"

  4. ocrmypdf

    PDF scannés (images uniquement)

    Ajoute une couche de texte OCR à un scan, à lancer avant l'un des outils ci-dessus.

    installerpip install ocrmypdf
    lancerocrmypdf -l fra document.pdf document-ocr.pdf

Palimpsest · DarWin Lab