C#代码实现将PDF文件转换为Markdown格式

将 PDF 文档转换为更灵活、易编辑的格式（例如 Markdown）已经成为开发者和内容创作者常见的需求。把 PDF 转为 Markdown 文件，不仅方便后续编辑和版本管理，还能提升内容在不同平台和应用程序之间的兼容性，尤其适用于现代 Web 发布流程。

通过文档处理工具，开发者可以自动完成 PDF 到 Markdown 的转换，同时尽可能保留原始文档中的格式结构和内容信息。本教程将介绍如何使用 C# 实现 PDF 文档到 Markdown 格式的转换，并展示具体代码示例。

准备工作

在开始 PDF 转 Markdown 操作之前，需要先在 .NET 项目中配置相关文档处理组件。你可以通过下载对应程序集文件，或使用 NuGet 包管理器将所需依赖添加到项目中。

PM> Install-Package Spire.PDF

将 PDF 文档转换为 Markdown 文件

通过 C# 开发，可以轻松实现 PDF 文档到 Markdown 格式的转换。首先加载目标 PDF 文件，然后将文档内容保存为 Markdown 格式。在转换过程中，可以指定 Markdown 输出格式，以生成可编辑、易管理的文本文件。

具体步骤如下：

1. 创建 PDF 文档处理对象。
2. 加载需要转换的 PDF 文件。
3. 将 PDF 文档转换并保存为 Markdown 文件。

完整示例代码如下：

using Spire.Pdf;

namespace PDFToMarkdown
{
    class Program
    {
        static void Main(string[] args)
        {
            // 创建 PdfDocument 类实例
            PdfDocument pdf = new PdfDocument();

            // 加载 PDF 文档
            pdf.LoadFromFile("Sample.pdf");

            // 将文档转换为 Markdown 文件
            pdf.Sa veToFile("output/PDFToMarkdown.md", FileFormat.Markdown);

            // 释放资源
            pdf.Close();
        }
    }
}

通过流（Stream）将 PDF 转换为 Markdown

除了直接读取文件进行处理外，还可以通过流（Stream）的方式加载 PDF 文档，并将其转换为 Markdown 文件流。通过 LoadFromStream() 方法可以从数据流中读取 PDF 文档，再使用 Sa veToStream() 方法将转换后的内容保存为 Markdown 格式的数据流。

使用流处理方式可以减少内存占用，支持处理较大的文件，同时便于实时数据传输，并简化与其他系统之间的数据交换。

通过流方式将 PDF 文档转换为 Markdown 文件的具体步骤如下：

1. 创建 PDF 文档的数据流对象，可以通过从网络下载文件或读取本地文件生成。
2. 使用 PdfDocument.LoadFromStream(Stream stream) 方法从流中加载 PDF 文档。
3. 创建新的流对象，用于存储转换后的 Markdown 文件。
4. 使用 PdfDocument.Sa veToStream(Stream stream, FileFormat.Markdown) 方法将 PDF 文档转换为 Markdown 文件流。

完整示例代码如下：

using Spire.Pdf;
using System.IO;
using System.Net.Http;

namespace PDFToMarkdownByStream
{
    class Program
    {
        static async Task Main(string[] args)
        {
            // 创建 PdfDocument 类实例
            PdfDocument pdf = new PdfDocument();

            // 从 URL 下载 PDF 文档并转换为字节数组
            using (HttpClient client = new HttpClient())
            {
                byte[] pdfBytes = await client.GetByteArrayAsync("http://example.com/Sample.pdf");

                // 使用字节数组创建 MemoryStream
                using (MemoryStream inputStream = new MemoryStream(pdfBytes))
                {
                    // 从流中加载 PDF 文档
                    pdf.LoadFromStream(inputStream);

                    // 创建另一个 MemoryStream 对象用于存储 Markdown 文件
                    using (MemoryStream outputStream = new MemoryStream())
                    {
                        // 将 PDF 文档转换为 Markdown 文件流
                        pdf.Sa veToStream(outputStream, FileFormat.Markdown);
                        outputStream.Position = 0; // 重置流的位置，以便后续读取

                        // 上传转换后的流，或将其写入文件
                        await client.PostAsync("http://example.com/upload", new StreamContent(outputStream));
                        File.WriteAllBytes("output.md", outputStream.ToArray());
                    }
                }
            }

            // 释放资源
            pdf.Close();
        }
    }
}

知识扩展

在 C# 中将 PDF 转换为 Markdown，目前主要有两类方案：使用成熟的商业/开源库，或自行解析 PDF 并生成 Markdown。

方案一：使用专业转换库（推荐）

这是最省时省力的方式，市面上已有多个成熟的库可以直接完成转换。

1. GroupDocs.Markdown for .NET

GroupDocs 专门为文档转 Markdown 设计，支持精准导出标题、段落、列表、表格、链接、图片、引用块和代码块。

using GroupDocs.Markdown;
// 设置许可证（可选）
License.Set("GroupDocs.Markdown.lic");
// 实例化转换器
var converter = new MarkdownConverter("business-plan.pdf");
// 转换并保存
converter.Convert("business-plan.md");

默认情况下，图片会以 Base64 格式嵌入到输出文件中。如果希望将图片单独保存到文件夹：

var converter = new MarkdownConverter("document.pdf");
var convertOptions = new DocumentConverterOptions();
convertOptions.ImageExportStrategy = new ExportImagesToFileSystemStrategy("./images");
converter.Convert("output.md", convertOptions);

• 特点：本地处理、无需网络、跨平台（Windows/Linux）、支持 .NET Framework 4.6.2+ 和 .NET 6.0+
• 许可：商业库，需要授权

2. Syncfusion Smart Data Extractor

Syncfusion 的 Smart Data Extractor 库可以分析 PDF 中的文本块、表格、页眉和表单字段，保持布局和格式。

using System.IO;
using System.Text;
using Syncfusion.SmartDataExtractor;

// 打开 PDF 文件流
using (FileStream stream = new FileStream("Input.pdf", FileMode.Open, FileAccess.Read))
{
    // 初始化数据提取器
    DataExtractor extractor = new DataExtractor();
    
    // 提取为 Markdown
    string data = extractor.ExtractDataAsMarkdown(stream);
    
    // 保存为 Markdown 文件
    File.WriteAllText("Output.md", data, Encoding.UTF8);
}

提取特定页面：

// 设置要提取的页面范围（第2页）
extractor.PageRange = new int[,] { { 2, 2 } };
string data = extractor.ExtractDataAsMarkdown(stream);

• 特点：同样支持从扫描图像（PNG/JPG）中提取 Markdown
• 许可：商业库（Syncfusion 有免费社区版，但功能受限）

3. Aspose.PDF

Aspose.PDF 提供了专门的 PdfToMarkdownConverter 用于 PDF 到 Markdown 的转换。

using Aspose.Pdf;

// 加载 PDF 文档
var document = new Document("input.pdf");

// 转换为 Markdown
// Aspose.PDF 提供了 PdfToMarkdownConverter 类
var converter = new PdfToMarkdownConverter();
converter.Bind(document);
converter.Sa ve("output.md");

• 特点：功能全面，支持从文件、字节数组或流中加载 PDF
• 许可：商业库（有 FOSS 版本，但功能有限）

4. MarkItDown（开源免费）

MarkItDown 是微软原版 MarkItDown Python 库的 C# 移植版，专为 LLM/RAG 工作流设计，支持 22+ 种文件格式。

using ManagedCode.MarkItDown;

// 安装 NuGet 包：dotnet add package ManagedCode.MarkItDown

var converter = new MarkItDownConverter();
var result = await converter.ConvertAsync("document.pdf");

// result.Content 即为转换后的 Markdown 文本
File.WriteAllText("output.md", result.Content);

• 特点：原生 .NET 9、完全异步、流式处理大文件、内存高效
• 许可：开源免费
• 注意：项目较新，建议在非生产环境先验证转换质量

方案二：自行解析 PDF（开源库组合）

如果需要完全控制转换过程，或者预算有限，可以使用开源 PDF 解析库（如 PdfPig 或 iTextSharp）提取内容，然后自行生成 Markdown。

使用 PdfPig 提取文本

PdfPig 是 Apache PDFBox 的 C# 移植版，支持从 PDF 中读取文本和内容。

using UglyToad.PdfPig;
using UglyToad.PdfPig.Content;
using System.Text;

public string ConvertPdfToMarkdown(string pdfPath)
{
    var sb = new StringBuilder();
    
    using (var pdf = PdfDocument.Open(pdfPath))
    {
        foreach (var page in pdf.GetPages())
        {
            // 提取页面文本
            var text = page.Text;
            
            // 这里需要自行解析文本结构，添加 Markdown 格式
            // 例如：识别标题、列表、表格等
            sb.AppendLine(text);
            sb.AppendLine(); // 页面分隔
        }
    }
    
    return sb.ToString();
}

总结

将 PDF 转换为 Markdown 可以帮助开发者更方便地编辑、管理和发布文档内容。相比直接处理 PDF 文件，通过 Markdown 格式可以提升内容的可读性和跨平台兼容性，适用于网页发布、知识管理和内容处理等场景。

本文介绍了两种使用 C# 实现 PDF 转 Markdown 的方法。第一种方法通过直接加载 PDF 文件并保存为 Markdown 格式，适用于常规文档转换需求；第二种方法基于流（Stream）处理 PDF 数据，可以减少内存占用，并支持从网络、本地文件或其他数据源读取和传输文档内容，更适合处理大型文件或集成到应用程序中。

通过这些方法，开发者可以根据实际应用场景选择合适的转换方式，实现更加灵活、高效的 PDF 文档处理流程。