Arquivos Markdown: texto puro com convenções, e mais de uma delas
O que é um .md, por que os renderizadores divergem e como títulos e listas surgem de um PDF sem eles. Converta PDF em Markdown no seu navegador, sem upload.
Visão geral
- Tipo
- Documentos
- Extensões
- .md, .markdown
- Tipo MIME
- text/markdown
- Também conhecido como
- MD
Um arquivo .md é um arquivo de texto. Não há contêiner, nem compressão, nem nada binário nele — abra um no Bloco de Notas e você vê exatamente o que ele guarda. A formatação é convenção, não marcação: um # no início da linha indica um título, um hífen indica um item de lista, e um renderizador que entende a convenção transforma isso em HTML. Essa é a ideia toda, e é por isso que o formato sobreviveu a todos os editores de texto rico da sua geração: o arquivo é legível antes de qualquer renderização, e continuará legível quando o programa em que você o escreveu tiver sumido.
Saiba mais
A complicação é que não existe um único Markdown. A implementação original, de 2004, deixou muitos casos sem definição, e cada renderizador os resolveu de um jeito; o CommonMark existe para fixar essas ambiguidades, e o GitHub Flavored Markdown acrescenta tabelas, listas de tarefas e texto tachado por cima dele. A situação é reconhecida oficialmente: quando text/markdown foi registrado como tipo de mídia na RFC 7763, em março de 2016, o registro incluiu um parâmetro variant, justamente porque dizer que um arquivo é Markdown não diz qual Markdown ele é. O que este site gera é text/markdown em UTF-8, usando apenas construções com as quais todos os dialetos concordam — títulos com cerquilha, parágrafos separados por linha em branco, marcadores com hífen e linhas horizontais.
Converter um PDF em Markdown significa fabricar uma estrutura que o PDF nunca teve. Um PDF registra tamanhos de fonte, não títulos, então os tamanhos da página são ordenados e os seis maiores viram os seis níveis de título; uma linha que é apenas maior que o corpo do texto vira título, quer o autor a tenha pensado assim ou não. Listas são piores: o PDF não tem nenhuma construção de lista, e o marcador que você vê é literalmente um caractere do texto, então a única forma de uma lista sobreviver é reconhecer esse caractere e reescrevê-lo como hífen. Itens numerados não precisam dessa ajuda — "1. " e "1) " já são Markdown, e já significam uma lista.
Dois detalhes merecem atenção porque mudam o próprio texto. Uma linha que termina em hífen é tratada como uma palavra partida na quebra de linha e é reunida sem ele; e linhas consecutivas em chinês ou japonês são unidas sem espaço entre elas, porque essas escritas não colocam espaço ali. As páginas são separadas por uma linha horizontal, então um documento de treze páginas chega com doze delas. Se o PDF for uma digitalização sem camada de texto, o mesmo modelo de reconhecimento usado em PDF para Word lê primeiro os caracteres das imagens das páginas, no seu próprio computador.
Converter outros formatos para Markdown
Perguntas frequentes: Markdown
Um arquivo .md é só um arquivo de texto?
Sim. Sem contêiner, sem compressão, nada binário. Qualquer editor de texto o abre, e os marcadores — #, -, ** — são caracteres comuns que você lê como estão.
Qual variante de Markdown eu recebo?
Só as partes com as quais todos os dialetos concordam: títulos com cerquilha, parágrafos separados por linhas em branco, marcadores com hífen e linhas horizontais. Nada aqui depende de uma extensão do GitHub ou do CommonMark, então o resultado aparece igual onde quer que você o cole.
Por que há linhas de traços no meio do meu documento?
São quebras de página. Cada uma é uma linha horizontal que marca onde uma página do PDF terminou e a seguinte começou, então um documento de treze páginas volta com doze delas.
Um título saiu no nível errado. Por quê?
Os níveis são ordenados pelo tamanho da fonte, porque um PDF guarda tamanhos e não títulos. Quando um documento usa o tamanho para dar ênfase e não para indicar hierarquia — uma citação em destaque, uma primeira linha grande —, a ordenação segue o tamanho e erra o nível.
As tabelas sobrevivem?
Tabelas desenhadas com linhas de grade, sim — saem como tabelas Markdown, com a primeira linha como cabeçalho. Tabelas em uma página digitalizada saem como linhas comuns, já que uma digitalização não tem linhas de grade para ler. Se as tabelas são o motivo da conversão, PDF para Excel coloca cada uma em linhas e colunas com as quais você pode trabalhar.
Funciona com PDFs digitalizados?
Sim. Quando não há camada de texto, um modelo de reconhecimento por IA roda no seu navegador e lê os caracteres das imagens das páginas. Os títulos passam então a ser ordenados pela altura de linha medida, e não pelo tamanho da fonte, e nada é enviado.