知识库优化之路（一）：把PDF文件转成Markdown格式

最近两篇关于本地知识库的讨论，确实引起了不少朋友的共鸣。看来，大家对这个刚需领域的痛点感受是相通的。

而大家最关心的问题，其实也高度一致——

这个问题，说起来可深可浅。如果交给专业人士，里面确实有大量可优化的空间，但伴随而来的是高昂的算力、人力和时间成本。对大多数普通用户而言，这几乎是一道无法跨越的门槛。

所以，从今天开始的《

》系列，咱们就换个思路。这个系列的核心目标，是面向资源和精力都相对有限的普通用户，教大家如何从自身可操作的角度出发，做一些力所能及的优化工作。换句话说，就是。

系列的第一站，也是最基础的一步：

。

1 什么是Markdown？

你可能没听过“Markdown”这个名词，但你多半见过它的样子。

尤其是当你用DeepSeek这类工具生成一段内容，再复制粘贴到别处时，忽然发现多了不少讨厌的#和*符号。没错，那就是Markdown。

这些看似简单的符号，其实藏着一手好功夫：它让用户在不借助Word、WPS等专业编辑工具的情况下，就能轻松给普通文本增添样式、层次结构，把重点内容凸显出来。

这么说可能还是有点抽象。咱们直接看图就明白了——左边是原始Markdown文本，右边是渲染后能看到的效果。至于如何上手使用Markdown，那不是今天的重点，感兴趣的朋友可以自行探索。不过，如果你想跟AI打得火热，学一下Markdown绝对是好投资。它不仅能让大模型更好地理解你的意图，你在跟AI对话时，也能更高效地表达。

2 为什么要转成Markdown？

你肯定会想：我好好一个PDF，为什么要费劲转成Markdown？

核心原因其实就一句话：

。不信你瞧瞧，连大模型自己输出的内容，默认也都是用的Markdown格式。

当然，这只是句玩笑话。更专业一点的解释是：

在普通格式的文本中，标题和正文在AI的眼里往往没啥区别，都是密密麻麻的文字堆。但一旦转化成Markdown，它就等于穿了一件“语义马甲”。AI能一眼看出哪里是一级标题、哪里是二级标题，哪里是正文，哪里是重点强调，哪里又分了三小块内容。

一言以蔽之：

需要补充一点的是，并不是所有PDF都适合转成Markdown。主要适合的，是那些以

的资料。尤其是那些扫描版PDF，里面全是带文字的图片，大模型读起来特别吃力——把它们转成Markdown，情况会好上不少。

3 用什么工具转Markdown？

可以把PDF转成Markdown的工具不少，不同工具的效果参差不齐。而在众多选择中，有一款开源软件几乎是公认的“神器”——

。

3.1 MinerU 介绍

MinerU可以称得上是大模型时代的文档提取/转换利器。它支持PDF、Word、PPT等多种格式的智能解析，尤其适用于机器学习、大模型语料生产、RAG（知识库）等场景。

它不仅能处理多种语言，还能精确解析页面上的各种元素：文本、公式、表格、图表、化学方程式……样样在行。背后有大模型加持，让PDF内容的提取和转换十分精准。

说到底，这就是为咱们普通用户量身打造的神器。而且关键是——它还是免费的！

3.2 使用方法

推荐MinerU的一个重要原因是，它对小白用户格外友好。不像一些开源项目，还需要你懂点编程才能上手。MinerU的使用方式有三大类：

1. 网页版
   ：注册登录后即可免费使用，无需任何配置；

2. 客户端
   ：下载安装后，开箱即用，支持Windows、MacOS、Linux三大系统，甚至不用注册；

3. API调用
   ：如果你有大批量PDF需要处理，可以在线申请API试用。每个账号每天享有2000页最高优先级解析额度，超过部分优先级会稍微降低，但整体非常良心。

3.3 其他开源项目

当然，PDF转Markdown的开源项目远不止MinerU一个。感兴趣的话，可以去Github上淘一淘，比如：
document-convert、Ragflow、gptpdf、marker、PDF-Extract-Kit、zerox、OminiParse 等等。这里就不一一展开了。

4 MinerU转换效果如何？

4.1 对比检查

为了实际验证MinerU的转换能力，我用之前下载的《北京大学DeepSeek系列-DeepSeek与AIGC应用》做了一次测试。

先看PPT里一个介绍大模型关键发展期的图表——被它完美地解析了出来。不过，在下一页的表格识别中，其中一个单元格只识别出一个字，其余内容全都丢失了。

但再看一个页面上既有文字、又有图片（图片里也包含文字）的复杂场景——它居然完全还原了，甚至连图片上的文字和表格都没落下！

综合看下来，MinerU虽然在个别细节上偶有缺失，但整体识别能力和还原能力确实相当强大。

4.2 查看Markdown文件

打开转换后的Markdown文件，可以清楚看到，它已经通过Markdown标记对内容层级做了明确划分。有意思的是，我在某些地方发现了HTML标签——起初以为是bug，仔细一瞧才发现，原来是对表格做的特殊处理，目的是让大模型能更准确地理解表格的结构。

4.3 知识库搜索对比

为了考察搜索效果，我在CherryStudio里新建了一个知识库，把同一个PDF文件和它的Markdown版本都放了进去，然后搜索了几种不同内容。

也许是测试样本太少，仅凭我的搜索结果，还无法干脆利落地得出“Markdown格式一定优于PDF”的结论。理论上它应该有优势，但确实还需要更多实际体验来验证。如果你也有类似经验，非常欢迎在评论区分享，给大家做个参考。

5 微信Markdown编辑工具

最后，再分享一个开源的微信Markdown编辑工具。

它可以让Markdown文档自动渲染成微信图文样式，你只需要掌握基本的Markdown语法，就能做出一篇排版简洁又美观的微信文章，再也不用为微信排版发愁。

以上就是《知识库优化之路》系列的第一篇内容。从PDF到Markdown，这一步虽小，但却是知识库走向高效与智能的扎实第一步。