纯 Node.js 的 PDF 转 Markdown 方案:支持图片解析的pdf2md库 `node-pdf-to-markdown`

🚀 纯 Node.js 的 PDF 转 Markdown 方案:支持图片解析的pdf2md库 node-pdf-to-markdown

在 Node.js 生态里,"PDF → Markdown" 一直是个被低估但非常刚需的问题。

你可能遇到过这些场景:

  • 服务端需要把用户上传的 PDF 转成可编辑的 Markdown
  • 知识库 / 文档系统想统一用 Markdown 存储
  • 自动化流水线里需要解析论文、技术文档、说明书
  • 不想引入 Python、OCR、Headless Chrome 这些"重量级依赖"

于是我做了一个库:

👉 node-pdf-to-markdown ------ 纯 Node.js 环境下的 PDF 解析与 Markdown 转换库,并且原生支持图片解析。


🔍 这个库解决了什么问题?

一句话总结:

在不依赖 Python、不依赖浏览器、不走 OCR 的前提下,把 PDF 结构化地转换成 Markdown,并且把图片一起处理好。

市面上很多 PDF 转换方案,往往存在几个问题:

  • ❌ 依赖 Python(部署成本高、跨环境麻烦)
  • ❌ 依赖浏览器 / Electron(资源占用大)
  • ❌ 只导出纯文本,结构和图片全丢
  • ❌ 输出不可控,难以二次处理

而 node-pdf-to-markdown 的目标非常明确 :
做一个"工程可用"的 Node 端 PDF 解析工具,而不是 demo 级脚本。


⚙️ 核心设计理念

✅ 1. 纯 Node.js 运行环境

这是这个库最重要的一个设计点。

  • 不依赖 Python
  • 不需要 Java
  • 不需要 Chromium / Puppeteer
  • 可以直接运行在:
    • Node 服务端
    • CLI 工具
    • CI / GitHub Actions
    • Electron 主进程

npm install 即可用,非常适合现代 Node 工程体系。


🧠 2. 面向 Markdown 的结构化解析

这个库并不是简单地把 PDF 文本"dump"出来,而是尽可能还原文档结构:

  • 标题(不同层级)
  • 段落与换行
  • 列表结构
  • 行内文本格式

最终输出的是**"可继续编辑、可被二次处理的 Markdown"**,而不是一次性产物。


🖼️ 图片解析:这是很多库做不到的地方

图片支持是 node-pdf-to-markdown 的一个核心亮点。

目前支持 4 种图片处理模式,覆盖了几乎所有工程场景。

🔹 1️⃣ none(默认)

不解析图片,适合只关心文本的场景。


🔹 2️⃣ base64

直接把图片转成 Base64,内嵌进 Markdown:

markdown 复制代码
![image](data:image/png;base64,iVBORw0KGgoAAAANSUhEUgA...)

适合场景:

  • 单文件分发
  • 在线预览
  • 不方便管理图片文件的系统

🔹 3️⃣ relative

生成相对路径的 Markdown 引用,同时把图片数据返回给你:

markdown 复制代码
![image](./images/page1_img1.png)

图片保存逻辑由你自己控制,非常适合高度定制化系统。


🔹 4️⃣ save(推荐)

自动保存图片到指定目录,并在 Markdown 中生成引用路径:

markdown 复制代码
![page1_image1](./output/images/page1_image1.png)

这是最接近真实文档迁移场景的一种模式,非常适合:

  • 知识库
  • 博客系统
  • 本地文档管理工具

🧩 使用示例(Node / 服务端友好)

js 复制代码
import fs from 'fs'
import pdf2md from 'node-pdf-to-markdown'

const pdfBuffer = fs.readFileSync('example.pdf')

const mdPages = await pdf2md(pdfBuffer, {
  imageMode: 'save',
  imageOutputDir: './images'
})

const markdown = mdPages.join('\n')
fs.writeFileSync('output.md', markdown)

整个流程非常干净:

  1. 读取 PDF
  2. 解析
  3. 拿到 Markdown
  4. 图片自动处理

没有多余的环境成本。


🧪 为什么说它适合"工程级使用"?

从设计上,这个库非常适合被集成到更大的系统里:

  • 📦 返回结构清晰的数据,而不是只写文件
  • 📄 Markdown 按页/段输出,方便你二次处理
  • 🧱 图片处理逻辑可控,不强绑定文件系统
  • 🔧 易于封装成 API、CLI 或 SDK

这也是我在做 MetaDoc / 智能文档系统 时,决定自己写一个 PDF → Markdown 解析库的原因。


📌 适用场景总结

如果你正在做下面这些事情,这个库会非常合适:

  • 文档 / 论文 PDF 转 Markdown
  • 构建文档导入功能
  • 知识库、笔记系统
  • AI / RAG 系统的文档预处理
  • Node 服务端批量文档解析

🔗 项目地址

欢迎 Star / Issue / PR,一起把 Node 生态下的 PDF 解析工具 做得更工程化 💡

相关推荐
cpolar技术支持1 天前
把 agent-autoloop 装在 Mac 上:用本机 Node 实跑一次「接活—提问—拍板—接着干」,再用 cpolar 把它的状态页开给不在工位的自己
node.js·内网穿透·cpolar·ai agent·agent-autoloop
用户76855341255381 天前
文档站的截图和示例工程都塞进 Git 仓库后,我把素材托管重新理了一遍
markdown
开开心心就好1 天前
PDF水印怎么去掉?勾选对象再点匹配
java·前端·mysql·支持向量机·pdf·音视频·模拟退火算法
SEO_juper1 天前
Node.js 全站 SEO 体检报告生成器:一次查完标题、描述、canonical、H1、图片
开发语言·前端·node.js·html·bash
开开心心就好2 天前
两张表格数据对比工具,不用写函数也能查
算法·spring·智能手机·pdf·电脑·intellij-idea·音视频
AI导出鸭PC端2 天前
用 AI 导出鸭高效处理:豆包导 pdf 怎么压缩但清晰
android·人工智能·pdf·豆包·ai导出鸭
木头左2 天前
【Node.js】Markdown 转带图片 Word 文档实战:docx 库转换器设计与 5 个踩坑
node.js·word·markdown·文档自动化
思特奇时空智能2 天前
大规模点要素地图渲染性能优化实践
vue.js·arcgis·性能优化·node.js·html·gis·webgl
w3296362715 天前
飞书接单到月度结算:我用一个 DSH 插件跑通鞋类采购 WMS,附 22 项验收
pdf·node.js·飞书·后端开发·ai agent
濮水大叔5 天前
Cabloy/Vona 为什么不需要 NestJS 的 Dynamic Module
typescript·node.js·nestjs