2.1 PDF 转 Markdown 和 HTML¶

PDF 适合阅读和打印，但不适合直接编辑，也不方便大模型准确读取文章结构、公式、表格和图片。因此，在整理文献或制作教学网页时，通常需要先将 PDF 转换为 Markdown，再根据需要转换为 HTML。

本节采用以下流程：

PDF
 ↓
Doc2X 图文解析
 ↓
Markdown + 本地图片
 ↓
检查并修正 Markdown
 ↓
使用大模型套用 HTML 模板
 ↓
生成可浏览的 HTML 文章

2.1.1 PDF 转 Markdown¶

2.1.1.1 工具选择¶

本教程使用 Doc2X：

进入 Doc2X

事实上，PDF 转 Markdown 已经有很多实用工具，例如：

Marker；
MinerU；
Docling；
Nougat；
各类 OCR 工具。

Marker、MinerU 等本地工具适合批量处理、保护本地文件或为大模型知识库准备数据，但需要配置 Python、CUDA、模型和运行环境。

对于刚入门的学生，如果只是转换单篇论文，使用 Doc2X 更直接，不需要额外搭建环境。

2.1.1.2 上传 PDF¶

打开 Doc2X 后，进入文档解析页面，上传需要转换的 PDF。

通常选择：

图文解析

图文解析会同时处理：

正文；
标题；
公式；
图片；
表格；
多栏排版；
页眉和页脚。

如果只需要转换论文中的部分内容，可以先指定页码范围，避免整篇解析造成额度和时间浪费。

2.1.1.3 检查解析结果¶

解析完成后，不要马上导出，应先在预览页面快速检查以下内容：

标题层级是否基本正确；
双栏论文是否已经转换为正确的单栏阅读顺序；
公式是否完整；
表格是否错位；
图片是否缺失；
图片与图题是否对应；
页眉、页脚和页码是否被误识别为正文；
参考文献是否被错误拆分。

如果只是少量错误，可以导出后直接在 Markdown 文件中修正。

如果整页顺序明显错误、公式大量丢失或图片无法识别，建议重新解析，或者更换 Marker、MinerU 等工具处理。

2.1.1.4 导出 Markdown¶

确认解析结果基本正确后，依次点击：

导出
→ 导出格式
→ Markdown

导出时重点设置两个选项：

公式符号：选择 $；
图片来源：选择本地图片。

2.1.1.5 为什么公式符号选择 `$`¶

Markdown 中常见的数学公式写法有：

行内公式：$E=mc^2$
块级公式：

$$
E=mc^2
$$

选择 $ 的主要原因是后续处理更方便。

第一， $...$ 和 $$...$$ 是大模型比较容易识别的公式格式。在翻译、纠错和转换 HTML 时，大模型通常能够保留公式结构。

第二，MathJax、KaTeX、Pandoc 以及很多 Markdown 阅读器都能够处理这种公式格式。

第三，这种写法比较简洁，后续人工检查时容易分辨正文和公式。

需要注意，$ 并不是所有 Markdown 软件默认支持的标准语法。如果网页中公式没有显示，一般不是公式内容错误，而是网页没有加载 MathJax 或 KaTeX。

例如：

风力机输出功率可表示为：

$$
P=\frac{1}{2}\rho A v^3 C_p
$$

其中，$\rho$ 为空气密度，$A$ 为风轮扫掠面积。

2.1.1.6 为什么图片选择本地图片¶

建议选择：

本地图片

导出后通常会得到类似结构：

论文名称/
├─ 论文名称.md
└─ images/
   ├─ image_001.png
   ├─ image_002.png
   └─ image_003.png

Markdown 中的图片引用一般为：

![图片说明](images/image_001.png)

选择本地图片有几个好处：

不依赖 Doc2X 的在线图片地址；
离线也能正常查看；
将文件发给别人时不容易丢图；
后续制作 MkDocs 或 HTML 网页更加稳定；
可以替换、裁剪或重新命名图片。

不要单独移动 Markdown 文件

Markdown 中保存的是图片相对路径。移动文件时，应同时移动 `.md` 文件和 `images` 文件夹，并保持两者的相对位置不变。

2.1.1.7 导出后的文件检查¶

导出后，建议使用 VS Code、Typora 或其他 Markdown 编辑器打开文件。

重点检查以下内容。

标题层级¶

一篇文章只保留一个一级标题：

# 文章标题

正文大纲依次使用：

## 一级章节

### 二级章节

#### 三级章节

不要在同一个文件中连续使用多个 # 一级标题，否则 MkDocs 的右侧目录可能出现异常。

公式¶

检查以下问题：

$ 是否成对出现；
$$ 是否成对出现；
LaTeX 命令是否被拆行；
公式编号是否与原文一致；
上下标和希腊字母是否识别正确。

图片¶

检查：

图片路径是否正确；
图片顺序是否与原文一致；
图题是否放在对应图片附近；
是否出现重复图片；
是否混入期刊 Logo、页眉或装饰图片。

表格¶

复杂表格可能被导出为 HTML：

<table>
...
</table>

这是正常情况。Markdown 原生表格不支持合并单元格，因此复杂表格使用 HTML 往往更稳定。

参考文献¶

参考文献最容易出现的问题包括：

每一行被识别成单独段落；
DOI 被拆断；
作者与题目顺序错乱；
上标编号被当成公式；
多栏参考文献顺序错误。

如果文章主要用于阅读，参考文献只需保证顺序和内容基本正确；如果用于正式发布，则需要逐条检查。

2.1.2 Markdown 转 HTML¶

Markdown 整理完成后，可以使用大模型将其转换为指定样式的 HTML。

本教程以 DeepSeek 为例，其他支持长文本和文件上传的大模型也可以采用相同方法。

2.1.2.1 准备文件¶

建议准备两个文件：

待转换文章.md
样例模板.html

其中：

Markdown 文件提供文章内容；
HTML 文件提供网页结构、配色、字体、左侧目录和排版样式。

不要只告诉大模型“转成 HTML”。如果没有提供样例，它通常会自行设计页面，最终样式可能与现有教学网页不一致。

2.1.2.2 推荐提示词¶

将 Markdown 和样例 HTML 一起上传，然后输入：

请将我上传的 Markdown 文章转换为与样例 HTML 相同结构和样式的 HTML 文件。

要求：

1. 不得删减、概括或改写 Markdown 正文；
2. 保留原有标题层级；
3. 保留全部公式、图片、表格、链接和代码块；
4. 图片继续使用 Markdown 中的本地相对路径；
5. 只替换样例 HTML 中的文章内容和目录，不要随意修改 CSS、JavaScript 和页面结构；
6. 根据 Markdown 标题自动生成目录；
7. 确保目录链接能够跳转到对应标题；
8. 公式使用 MathJax 显示；
9. 输出完整 HTML，不要省略任何代码；
10. 不要在 HTML 前后添加解释。
11. 如果输出的代码长度超过一次对话文本限制,分两次对话输出

2.1.2.3 转换前先说明图片位置¶

如果 Markdown 和图片文件夹结构为：

文章/
├─ article.md
├─ article.html
└─ images/
   ├─ figure1.png
   └─ figure2.png

则 HTML 中应继续使用：

<img src="images/figure1.png" alt="figure1">

2.1.2.4 文章过长时如何分块¶

长篇论文可能超过大模型的上下文长度。若前述prompt不能让大模型分对话输出，应按照章节分块。

例如：

第1块：标题、摘要、关键词和引言
第2块：第2章
第3块：第3章
第4块：第4章
第5块：结论和参考文献

每次输入时说明：

这是文章第 2 部分。

请按照之前的 HTML 模板，只转换当前内容对应的 <main> 正文片段。

要求：
1. 不输出 <html>、<head> 和 <body>；
2. 不重复已经转换的内容；
3. 保持标题编号和层级；
4. 保留公式、图片、表格和引用；
5. 只输出当前章节对应的 HTML。

所有章节转换完成后，再让大模型合并：

请将这些 HTML 正文片段按照原来的章节顺序合并到样例 HTML 模板中。

要求：
1. 不得删减正文；
2. 删除重复内容；
3. 统一标题 id；
4. 根据所有标题重新生成完整目录；
5. 检查目录链接与标题 id 是否一一对应；
6. 检查 HTML 标签是否闭合；
7. 输出最终完整 HTML。

2.1.2.5 标题 ID 与目录跳转¶

HTML 中的标题通常写成：

<h2 id="pdf-to-markdown">PDF 转 Markdown</h2>

目录链接写成：

<a href="#pdf-to-markdown">PDF 转 Markdown</a>

其中：

href="#pdf-to-markdown"

必须与：

id="pdf-to-markdown"

完全一致，否则点击目录时无法跳转。

建议标题 ID 使用：

英文字母；
数字；
连字符 -。

例如：

<h2 id="section-2-1">2.1 PDF 转 Markdown 和 HTML</h2>

尽量避免使用空格、斜杠或过长的中文标题作为 ID。

2.1.2.6 转换后的重点检查¶

大模型完成转换后，不要直接发布，至少检查以下内容：

内容是否完整¶

将 Markdown 和 HTML 的末尾进行对比，检查：

是否漏掉章节；
是否漏掉参考文献；
是否重复输出某一段；
是否擅自总结或改写正文。

目录是否正常¶

逐项点击左侧或右侧目录，确认：

每个链接都能跳转；
没有跳到错误章节；
没有重复标题；
二级和三级目录层级正确。

图片是否显示¶

如果图片无法显示，优先检查：

HTML 文件位置
图片文件夹位置
HTML 中的 src 路径
文件名大小写

公式是否显示¶

如果网页直接显示：

$E=mc^2$

说明 MathJax 没有正常加载。

HTML 模板中需要包含 MathJax 配置，例如：

<script>
window.MathJax = {
  tex: {
    inlineMath: [['$', '$']],
    displayMath: [['$$', '$$']]
  }
};
</script>

<script
  async
  src="https://cdn.jsdelivr.net/npm/mathjax@3/es5/tex-mml-chtml.js">
</script>

表格是否超出页面¶

对于宽表格，可以在 HTML 中增加：

<div class="table-wrapper">
  <table>
    ...
  </table>
</div>

CSS 中增加：

.table-wrapper {
  width: 100%;
  overflow-x: auto;
}

这样表格过宽时会出现横向滚动条，而不会挤压整个页面。

2.1.3 推荐操作流程¶

实际使用时，建议按照下面的顺序操作：

上传 PDF 到 Doc2X
        ↓
选择图文解析
        ↓
检查标题、公式、图片和表格
        ↓
导出 Markdown
        ↓
公式符号选择 $
        ↓
图片选择本地图片
        ↓
使用 VS Code 检查并修正 Markdown
        ↓
上传 Markdown 和样例 HTML 给大模型
        ↓
生成或分块生成 HTML
        ↓
检查目录、图片、公式和表格
        ↓
放入 MkDocs 或直接发布

核心原则：

PDF 转 Markdown 时，重点保证内容准确、图片完整和公式可识别。
Markdown 转 HTML 时，重点要求大模型尊重原文，只套用模板，不重新创作内容。

2.1 PDF 转 Markdown 和 HTML¶

2.1.1 PDF 转 Markdown¶

2.1.1.1 工具选择¶

2.1.1.2 上传 PDF¶

2.1.1.3 检查解析结果¶

2.1.1.4 导出 Markdown¶

2.1.1.5 为什么公式符号选择 $¶

2.1.1.6 为什么图片选择本地图片¶

2.1.1.7 导出后的文件检查¶

标题层级¶

公式¶

图片¶

表格¶

参考文献¶

2.1.2 Markdown 转 HTML¶

2.1.2.1 准备文件¶

2.1.2.2 推荐提示词¶

2.1.2.3 转换前先说明图片位置¶

2.1.2.4 文章过长时如何分块¶

2.1.2.5 标题 ID 与目录跳转¶

2.1.2.6 转换后的重点检查¶

内容是否完整¶

目录是否正常¶

图片是否显示¶

公式是否显示¶

表格是否超出页面¶

2.1.3 推荐操作流程¶

2.1.1.5 为什么公式符号选择 `$`¶