基于 Python 将 PDF 转 Markdown 并拆解为 JSON，支持自定义标题处理

在日常工作中，我们经常需要将 PDF 文件转换为可编辑、可结构化的数据格式，比如 Markdown 和 JSON。但实际操作中，自动化工具往往会出现标题识别不准确的问题，尤其是 PDF 转换过程中，缺乏明确的标题标识。这篇文章将教你如何使用 Python 将 PDF 转换为 Markdown，并通过自定义规则精准识别标题，最终将内容按标题结构拆解为 JSON，方便后续快速检索与使用。

---

1. 实现目标

1. 将 PDF 文件转换为 Markdown 格式，保留内容和大致结构。
2. 自定义处理标题，解决自动识别不准确的问题。
3. 将 Markdown 内容解析并按标题结构拆解为 JSON，支持通过标题快速查找对应内容。

---

2. 技术方案

我们将使用以下技术工具：

• pdfminer.six：提取 PDF 中的文本。
• markdownify：将纯文本转换为 Markdown 格式。
• 自定义标题识别：通过规则或关键词判断哪些行是标题。
• JSON 结构化输出：将 Markdown 内容拆解并按标题结构存储为 JSON。

---

3. 依赖安装

首先，确保你的环境已安装所需的 Python 库：

pip install pdfminer.six markdownify

---

4. 代码实现

以下是完整的代码实现，分为 PDF 转 Markdown、标题自定义处理 和 生成 JSON 三个步骤。

4.1 PDF 转 Markdown

使用 pdfminer.six 提取 PDF 文本，然后通过 markdownify 转换为 Markdown 格式：

from pdfminer.high_level import extract_text
from markdownify import markdownify

def pdf_to_markdown(pdf_path):
    """
    将 PDF 文件转换为 Markdown 文本
    """
    # 提取 PDF 文本
    raw_text = extract_text(pdf_path)
    # 将原始文本转换为 Markdown 格式
    markdown_text = markdownify(raw_text)
    return markdown_text

---

4.2 自定义标题识别与解析

标题识别不准确时，可以通过自定义规则进行判断：

1. 根据 关键词（如“第”、“章”、“节”）判断是否是标题。
2. 通过 文本长度、大写格式 等规则进一步判断。

import re

def is_custom_title(line, keywords=None, min_length