PyMuPDF4LLM ist eine Bibliothek zum Konvertieren von PDFs in das Markdown-Format. Hier teile ich meine Erfahrungen beim Testen dieser Bibliothek.

Installation

Beginnen Sie mit der Installation der Bibliothek mit dem folgenden Befehl:

pip install pymupdf4llm

Verwendung

Die grundlegende Verwendung ist recht einfach und erfordert nur drei Codezeilen, um ein PDF in Markdown zu konvertieren:

import pymupdf4llm
md_text = pymupdf4llm.to_markdown("input.pdf")
print(md_text)

Sie können Argumente angeben, um anzupassen, wie Inhalte extrahiert werden.

Text nach Seite extrahieren

Standardmäßig wird das gesamte PDF in eine einzige Textausgabe konvertiert. Sie können jedoch Text Seite für Seite extrahieren, indem Sie page_chunks=True angeben.

md_text = pymupdf4llm.to_markdown("input.pdf", page_chunks=True)

Bilder extrahieren

Um Bilder als Dateien zu extrahieren, verwenden Sie die Option write_images=True:

md_text = pymupdf4llm.to_markdown("input.pdf", write_images=True)

Es ist auch möglich, Bilder mithilfe der Base64-Kodierung direkt in den Markdown einzubetten:

md_text = pymupdf4llm.to_markdown("input.pdf", embed_images=True)

Auswertung der Conversion-Ergebnisse

Zum Testen wurden verschiedene PDFs mit unterschiedlichen Markdown-Elementen verwendet.

Header-Konvertierung

Header werden korrekt in das Markdown-Format konvertiert. Hier ist ein Teil des Ergebnisses:

# Sample Markdown Guide

This is a sample markdown file that includes various features for quick reference.

## 1. Headers

...

## 3. Lists

Fetter und kursiver Text

Fett- und Kursivformatierung wird ebenfalls ordnungsgemäß konvertiert:

**Bold: **Bold Text****

_Italic: *Italic Text*_

**_Bold and Italic: ***Bold and Italic***_**

Listenkonvertierung

Geordnete Listen auf der ersten Ebene werden ohne Probleme konvertiert, verschachtelte Listen und ungeordnete Listen werden jedoch nicht korrekt konvertiert.

## 3. Lists

### Unordered List

Item 1

Item 2

Sub-item 1

Sub-item 2

### Ordered List

1. First item

2. Second item

1. Sub-item A

2. Sub-item B

Linkkonvertierung

Die URLs von Links werden extrahiert, aber die gesamte Zeile, die den Link enthält, wird zu einem Hyperlink, was vom ursprünglichen Format abweicht.

## 4. Links and Images

[You can add links using [Link Text](URL).](https://www.example.com/)

Bildextraktion

Bilder werden standardmäßig nicht extrahiert, können aber mit write_images=True lokal gespeichert werden.

md_text = pymupdf4llm.to_markdown("input.pdf", write_images=True)

Die gespeicherten Bilder werden dann im Markdown wie folgt referenziert:

### Image Example

![](input.pdf-1-0.png)

Tabellenkonvertierung

Einfache Tabellen ohne vertikale Ränder werden nicht genau konvertiert (wahrscheinlich, weil mehrdeutige Spaltengrenzen dazu führen, dass Tabellen als einfacher Text behandelt werden).

## 5. Tables

**Column 1** **Column 2** **Column 3**

Row 1 Data A Data B

Row 2 Data C Data D

Codekonvertierung

Codeblöcke werden korrekt konvertiert, die Sprachspezifikation (z. B. Python) bleibt jedoch nicht erhalten. Bei der Inline-Codekonvertierung gibt es ebenfalls Probleme.

## 6. Code

### Inline Code

Use backticks for inline code: print("Hello, world!")

### Code Block

Use triple backticks for code blocks:

```

def greet(name):

  return f"Hello, {name}!"

print(greet("Markdown"))

```

Mehrzeiliger Text

Bei mehrzeiligem Text bleiben die Zeilenumbrüche so erhalten, wie sie im Original-PDF erscheinen.

Markdown is a lightweight and versatile markup language favored by developers, writers, and bloggers alike

due to its simplicity in formatting text, enabling users to create readable and well-structured documents—

whether for documentation, blog posts, or articles—without the complexity of HTML, while also offering the

ability to convert content seamlessly into other formats like HTML, PDF, and even slideshows, making it an

ideal choice for projects that require both clarity and flexibility in presentation.

Abschluss

Trotz der Herausforderungen bei der genauen Konvertierung von Listen und Links ist PyMuPDF4LLM ein nützliches Tool zum Konvertieren von PDFs in Markdown. Es kann lokal ohne die Notwendigkeit externer Sprachmodelle arbeiten und eignet sich daher für Umgebungen, in denen kein Internetzugang verfügbar ist.