PDF to Markdown — PDF in Markdown umwandeln (Formeln, Tabellen)
PDF online in sauberes Markdown umwandeln — Formeln, Tabellen, Mehrspalten und optionale Übersetzung
PDF-Datei hochladen
Dateien hierher ziehen, oder
Nur PDF, max 300MB, max 800 Seiten
Einstellungen
Info zum Punkteabzug
- • PDF to Markdown：2 Pkt./Seite
- • PDF to Markdown+MD-Übersetzung：3 Pkt./Seite
So funktioniert die PDF-zu-Markdown-Konvertierung
KolmoPDF verwendet ein visuelles Sprachmodell (VLM), um PDF-Seiten zu analysieren und strukturiertes Markdown auszugeben, das den semantischen Inhalt des Dokuments bewahrt.
Was der Parser verarbeitet
- Mehrspaltige Layouts: Seiten mit zwei oder mehr Spalten werden in der richtigen logischen Reihenfolge gelesen, nicht von links nach rechts über die physische Seite.
- Mathematische Formeln: Inline- und abgesetzte Mathematik wird als LaTeX im Markdown ausgegeben, zum Beispiel
$E = mc^2$or$$\int_0^\infty e^{-x^2} dx$$. - Tabellen: Tabellen können als Markdown-Tabellen ausgegeben oder als Bilder beibehalten werden. Die experimentelle seitenübergreifende Zusammenführung erkennt und verbindet Tabellen über Seitenumbrüche hinweg.
- Codeblöcke: Quellcode und technische Notation werden in abgegrenzte Codeblöcke gefasst, mit Sprachhinweisen, sofern erkennbar.
- Übersetzung: Aktivieren Sie die Übersetzung, um den Dokumentinhalt während der Analyse in Chinesisch, Japanisch, Koreanisch, Französisch, Deutsch, Spanisch oder Russisch zu übertragen. Zusätzlich 1 Guthaben/Seite.
Dateilimits
Nur PDF-Dateien. Maximale Dateigröße: 300 MB. Maximale Seitenzahl: 800 Seiten.
Was dieser PDF-zu-Markdown-Konverter leistet
KolmoPDF analysiert technische PDFs mit einem auf wissenschaftlichen Arbeiten, Fachbüchern und Engineering-Dokumenten trainierten visuellen Sprachmodell zu strukturiertem Markdown. Es bewahrt die mehrspaltige Lesereihenfolge, erkennt LaTeX-Formeln inline und abgesetzt, rekonstruiert Tabellen über Seitenumbrüche hinweg und hält Codeblöcke intakt. Die Ausgabe ist sauberes Markdown für Static-Site-Generatoren, Wissensdatenbanken und nachgelagerte Übersetzungspipelines.
Wichtige Funktionen
- Erkennung von Inline- und abgesetzten LaTeX-Formeln mit Mehrzeilenunterstützung.
- Stabile Erkennung von Tabellen mit verbundenen Zellen und seitenübergreifenden Tabellen.
- Zwei- und dreispaltige Seiten in einen linearen Lesefluss umsortiert.
- Codeblock-Erkennung mit Sprachhinweisen, wo die Quelle erkennbar ist.
- Optionale Ein-Pass-Übersetzung in 8 Zielsprachen während der Analyse.
Häufige Anwendungsfälle
Forschende extrahieren LaTeX aus Arbeiten für Notizsysteme. Engineering-Teams leiten das extrahierte Markdown an Confluence, Notion oder interne Wikis weiter. Lokalisierungsteams speisen das Markdown in Translation-Memory-Tools ein. Lehrende rekonstruieren Folien und Lernmaterial aus Lehrbuch-PDFs, ohne Gleichungen neu zu tippen.
PDF in Markdown umwandeln
Die genaue Suchanfrage ist PDF in Markdown umwandeln (auch PDF zu Markdown). KolmoPDF hält Formeln, Tabellen und Mehrspalten — nicht nur Fließtext.
- PDF hochladen (nativ oder gescannt, bis 300 MB).
- Optional im selben Durchgang übersetzen.
- Formeln als LaTeX, Tabellen und Lesereihenfolge bleiben erhalten.
- .md herunterladen oder in Obsidian / Notion / Git / RAG einfügen.
Häufig gestellte Fragen
Funktioniert es bei gescannten PDFs?
Ja. Das visuelle Sprachmodell behandelt Text als Bildregionen, daher werden native und gescannte PDFs gleich verarbeitet.
Wie viel kostet es pro Seite?
PDF-Analyse kostet 2 Credits pro Seite; mit Inline-Übersetzung 3 Credits pro Seite. Neue Nutzer erhalten bei der Anmeldung 100 Gratis-Credits.
Wie groß darf die Datei sein?
Kostenlose und kostenpflichtige Tarife akzeptieren Dateien bis 300 MB. Die Seitengrenze hängt von Ihrem Credit-Guthaben ab.
Real parse: Attention Is All You Need
This is the actual Markdown KolmoPDF produced from Vaswani et al. 2017 — a two-column academic PDF with display math and a results table. Not a mock, not a screenshot of the product UI.
Equation 1 as extracted LaTeX
$$
\text{Attention}(Q, K, V) = \text{softmax}(\frac{QK^T}{\sqrt{d_k}})V
$$Table 1 as a GitHub-flavored Markdown table
| Layer Type | Complexity per Layer | Sequential Operations | Maximum Path Length |
| :--- | :---: | :---: | :---: |
| Self-Attention | $O(n^2 \cdot d)$ | $O(1)$ | $O(1)$ |
| Recurrent | $O(n \cdot d^2)$ | $O(n)$ | $O(n)$ |
| Convolutional | $O(k \cdot n \cdot d^2)$ | $O(1)$ | $O(log_k(n))$ |
| Self-Attention (restricted) | $O(r \cdot n \cdot d)$ | $O(1)$ | $O(n/r)$ |The dominant sequence transduction models are based on complex recurrent or convolutional neural networks that include an encoder and a decoder. We propose a new simple network architecture, the Transformer, based solely on attention mechanisms, dispensing with recurrence and convolutions entirely.