PDF_TO_MD

功能

将 PDF 文档转换为 Markdown 文本，适合将 PDF 内容送入大模型处理、知识库构建或文档摘要等场景。

底层使用

pymupdf4llm

pymupdf4llm

库提取版面结构并还原为 Markdown 格式（标题、段落、列表、表格等）；对于扫描件，会先通过

ocrmypdf

ocrmypdf

做全页 OCR 后再转换。

语法

PDF_TO_MD(source) PDF_TO_MD(source, options)

参数	类型	说明
`source` source	STRING	PDF 来源，支持 HTTP/HTTPS URL 或本地路径（见下方"来源格式"）
`options` options	STRING（可选）	选项字符串，格式为 `k1=v1,k2=v2,...` k1=v1,k2=v2,... ，必须是非 NULL 字面量

返回值：STRING 类型的 Markdown 文本。

来源格式

格式	示例	说明
HTTP/HTTPS URL	`'https://example.com/doc.pdf'` 'https://example.com/doc.pdf'	自动下载，默认超时 30 秒，默认限制 100 MB

options 可用字段

字段	默认值	取值	说明
`ocr` ocr	`auto` auto	`auto` auto / `never` never / `always` always	OCR 策略，见下方"OCR 策略说明"
`http_timeout_seconds` http_timeout_seconds	`30` 30	正整数（秒）	HTTP 下载超时时间
`max_download_bytes` max_download_bytes	`104857600` 104857600 （100 MB）	正整数（字节）	HTTP 下载大小上限，超过则报错
`ocr_timeout_seconds` ocr_timeout_seconds	`180` 180	正整数（秒）	OCR 处理超时时间
`slow_operation_seconds` slow_operation_seconds	`5` 5	正整数（秒）	单步操作超过此时间记录 WARNING 日志
`mode` mode	—	`dummy` dummy	测试模式，不处理真实 PDF，直接返回固定占位内容 `# Dummy PDF Markdown` # Dummy PDF Markdown

options 格式示例：

'ocr=never,http_timeout_seconds=60'

OCR 策略说明

PDF_TO_MD

PDF_TO_MD

的 OCR 逻辑分两步：

第一步：分类

检测各页词密度（每页 ≥ 20 个词视为有文字），若超过 50% 的页面词数不足，则判定为扫描件。

第二步：转换

策略行为

策略	行为
`auto` auto （默认）	文字型 PDF 直接用 `pymupdf4llm` pymupdf4llm 转 Markdown；扫描件先触发内部 OCR 再转换。若转换结果内容稀疏（平均每页字符数 < 300），则额外调用 `ocrmypdf` ocrmypdf 做全页 OCR，再用纯文本提取兜底，取字符数更多的结果（兜底路径输出为带 `--- page N ---` --- page N --- 分隔符的纯文本，非标准 Markdown）
`never` never	跳过 OCR，直接转 Markdown（扫描件可能输出空内容）
`always` always	调用 `pymupdf4llm` pymupdf4llm 时强制启用内部 OCR；若结果仍稀疏，还会额外触发 `ocrmypdf` ocrmypdf + 纯文本兜底

auto

auto

（默认）

文字型 PDF 直接用

pymupdf4llm

pymupdf4llm

转 Markdown；扫描件先触发内部 OCR 再转换。若转换结果内容稀疏（平均每页字符数 < 300），则额外调用

ocrmypdf

ocrmypdf

做全页 OCR，再用纯文本提取兜底，取字符数更多的结果（兜底路径输出为带

--- page N ---

--- page N ---

分隔符的纯文本，非标准 Markdown）

never

never

跳过 OCR，直接转 Markdown（扫描件可能输出空内容）

always

always

调用

pymupdf4llm

pymupdf4llm

时强制启用内部 OCR；若结果仍稀疏，还会额外触发

ocrmypdf

ocrmypdf

+ 纯文本兜底

使用示例

-- 基础用法：将 PDF 转为 Markdown SELECT PDF_TO_MD('https://example.com/paper.pdf'); -- 禁用 OCR（速度更快，适合有文字层的 PDF） SELECT PDF_TO_MD('https://example.com/paper.pdf', 'ocr=never'); -- 强制 OCR（扫描件） SELECT PDF_TO_MD('https://example.com/scanned.pdf', 'ocr=always'); -- 调大下载限制（大文件） SELECT PDF_TO_MD( 'https://example.com/large.pdf', 'ocr=auto,max_download_bytes=209715200,http_timeout_seconds=120' ); -- Volume 文件（推荐生产用法：通过 get_presigned_url 获取预签名 URL） SELECT PDF_TO_MD(get_presigned_url(volume my_vol, 'paper.pdf')); -- 批量转换表中的 PDF，结合 AI 函数做摘要 SELECT doc_id, AI_COMPLETE('conn:model', CONCAT('请用200字摘要以下内容：\n', PDF_TO_MD(pdf_url))) AS summary FROM pdf_documents; -- 将转换结果写入文档表 INSERT INTO doc_content (doc_id, content) SELECT doc_id, PDF_TO_MD(pdf_url) FROM pdf_documents WHERE pdf_url IS NOT NULL;

与 PDF_TO_JSON 的对比

维度	PDF_TO_MD	PDF_TO_JSON
适用场景	LLM 输入、知识库、摘要	程序化解析、坐标提取、版面分析
输出格式	Markdown 文本（兜底时为纯文本）	结构化 JSON（含坐标、块信息）
内容丰富度	标题/段落/列表/表格的 Markdown 还原	每页文本 + 精确版面坐标
OCR 策略	pymupdf4llm 内部 OCR + ocrmypdf 纯文本兜底（二次）	ocrmypdf 预处理后再用 fitz 提取（一次）

注意事项

```
options
```
options
必须是字符串字面量，不能是列名或变量；不能为空字符串
```
''
```
''
多个选项用逗号分隔，不能有重复 key，不能有空 segment（如末尾多余逗号）
OCR 依赖服务端安装
```
ocrmypdf
```
ocrmypdf
；若未安装，OCR 会静默跳过，
```
auto
```
auto
策略在扫描件上会退化为直接提取（可能返回空内容）
当兜底路径（
```
ocrmypdf
```
ocrmypdf
+ 纯文本）被触发时，输出为带
```
--- page N ---
```
--- page N ---
分隔符的纯文本格式，而非标准 Markdown
部分复杂版面（多栏、嵌套表格、数学公式）的 Markdown 还原质量取决于
```
pymupdf4llm
```
pymupdf4llm
的版本
```
mode=dummy
```
mode=dummy
仅用于测试，不发起真实 PDF 处理，返回固定字符串
```
# Dummy PDF Markdown\n
```
# Dummy PDF Markdown\n

联系我们