Perceptron Data
PDF zu Markdown
Dieser Konverter macht aus PDF-, Word-, Excel- und PowerPoint-Dateien Markdown und reinen Text für Sprachmodelle, RAG-Pipelines und Tabellenkalkulationen. Erkannte Tabellen kommen als Markdown-Tabellen und als JSON-Zeilen heraus, eingescannte Seiten liest die Texterkennung (OCR). Er wandelt auf Wunsch auch die Dateien um, die ein Lauf des Website Content Crawlers heruntergeladen, aber ohne Text gelassen hat.
Auf Apify starten 0,50 $ pro 1.000 Seiten (ab 0,35 $) + 0,005 $ Startgebühr je Lauf
Das bekommen Sie
- PDF mit Textebene: Lesereihenfolge über Spalten, Überschriften nach Schriftgröße, Tabellen
- Eingescannte Seiten per Texterkennung in acht Sprachen: Englisch, Deutsch, Französisch, Spanisch, Italienisch, Niederländisch, Polnisch und Portugiesisch
- Word, Excel, PowerPoint, HTML, CSV, JSON, XML und reiner Text
- Ausgabe je Dokument, je Seite oder als RAG-Abschnitte mit Seitenzahlen
- Jede Zeile trägt ihre Herkunft: Adresse, Fingerabdruck der Datei (SHA-256), Status und die verwendeten Einstellungen
- Ihre Dateien gehen an keinen externen KI-Dienst
Anwendungsfälle
- Firmendokumente in eine Vektordatenbank laden
- Tabellen aus Berichten und Statistiken auslesen
- Gescannte Archive durchsuchbar machen
- Einen Website-Crawl um seine PDFs und Office-Dateien ergänzen
Beispiel-Eingabe
{
"crawler_dataset": "<run ID of a Website Content Crawler run>",
"output": "chunks",
"chunk_size": 1500
}Preis
0,50 $ pro 1.000 Seiten (ab 0,35 $) + 0,005 $ Startgebühr je Lauf
Abrechnung über Apify je umgewandelter Seite (Word, Excel und PowerPoint: je 3.000 Zeichen Ausgabe) plus eine Gebühr je umgewandeltem Dokument und eine Startgebühr je Lauf, berechnet je GB Speicher; per Texterkennung gelesene Seiten kosten mehr. Fehlgeschlagene Dateien, leere Seiten und unsichere Texterkennung werden nicht berechnet. Günstiger in bezahlten Apify-Tarifen.
Wöchentliche Qualitätsprüfung
Jeden Sonntag führt ein automatischer Wachposten die Live-Actors auf Apify mit festen Eingaben aus, deren richtige Antworten bekannt sind, und prüft den Inhalt der Ergebnisse — nicht nur, ob der Lauf gelang. Die Ergebnisse stehen hier so, wie sie sind — Fehlschläge eingeschlossen.
Erste öffentliche Prüfung am 25.10.2026. Bis dahin steht hier, was geprüft wird.
Stichprobe gegen die Originalquelle: Am 12.10.2026 haben wir 20 Ergebniszeilen genommen und 105 Feldwerte einzeln mit der Originalquelle verglichen: 73 stimmten (69,5 %).
Häufige Fragen
Funktioniert das mit eingescannten PDFs?
Ja. Seiten ohne Textebene werden erkannt und per Texterkennung gelesen. Leere Seiten, Seiten mit weniger als 25 sichtbaren Zeichen (etwa die meisten Kapiteltrenner) und Seiten, deren Texterkennung unsicher bleibt, kommen mit ihrem Status zurück und werden nicht berechnet.
Wie genau sind die Tabellen?
Tabellen mit klaren Zeilen kommen Zelle für Zelle heraus; dichte Tabellen ohne Zeilenlinien und Tabellen mit mehrzeiligen, durch Linien abgesetzten Köpfen können zerfallen. In einer Stichprobe von 20 Tabellenzeilen aus 4 öffentlichen PDFs (12. Oktober 2026) stimmte eine Tabelle des US Census Bureau in 40 von 40 Zellen, eine Steuertabelle der IRS packte dagegen Zeilen in einzelne Zellen, und zwei arXiv-Tabellen verloren Kopfzeilen, Wortabstände und hochgestellte Exponenten — insgesamt 73 von 105 Zellen. Wichtige Tabellen vor der Verwendung prüfen.
Welche Dateitypen werden unterstützt?
PDF, DOCX, XLSX, XLS, PPTX, HTML, CSV, JSON, XML und Text. Alte .doc- und .ppt-Dateien werden nicht unterstützt.
Wird eine KI verwendet?
Nein. Die Umwandlung läuft im eigenen Apify-Lauf mit Open-Source-Werkzeugen (pdfplumber, PDFium, Tesseract OCR, MarkItDown); die Dokumente gehen an keinen KI-Dienst.