PDF2LLM

PDF to Markdown Converter — Converte PDFs para Markdown otimizado para uso com modelos de linguagem (LLMs)

Aplicação desktop para conversão em lote de arquivos PDF para Markdown, ideal para alimentar LLMs como ChatGPT, Claude, Gemini e outros. Preserva a estrutura dos documentos (títulos, tabelas, listas) e oferece OCR automático para PDFs escaneados.

Funcionalidades

• Conversão em lote — selecione até 50 PDFs e converta de uma vez
• Estrutura preservada — títulos, parágrafos, listas e tabelas mantidos no Markdown
• Extração de imagens — opcional, salva imagens em subpasta organizada
• OCR automático — detecta PDFs escaneados e reprocessa com Tesseract + EasyOCR
• Interface gráfica — simples, com barra de progresso e seletor de idioma
• Bilíngue — Português (Brasil) e Inglês, com troca ao vivo
• Multiplataforma — Windows e Linux

Download

Baixe a versão mais recente na aba Releases:

Plataforma	Arquivo	Descrição
Windows	PDF2LLM-Setup-x.x.x.exe	Instalador com menu iniciar e desinstalador
Windows	PDF2LLM-portable.zip	Versão portátil (extraia e use)
Windows	PDF2LLM.exe	Executável único (standalone)
Linux (Debian/Ubuntu)	pdf2llm_x.x.x_amd64.deb	Pacote .deb (sudo dpkg -i ...)

Alternativa leve (Linux/macOS)

Se preferir não baixar o .deb completo, instale direto via pip:

pip install git+https://github.com/wcmendes/pdftollm.git
python -m src.main

Requer Python 3.10+ e python3-tk instalado (sudo apt install python3-tk).

Requisitos

• Para o .exe / .deb: nenhum — tudo incluso
• Para rodar do código-fonte: Python 3.10+
• Tesseract OCR (opcional): melhora resultados de OCR, mas a aplicação funciona sem ele

Compatibilidade

Plataforma	Versões suportadas
Windows	10, 11 (64-bit)
Ubuntu	22.04, 24.04 (amd64)
Debian	11, 12 (amd64)
Linux Mint	21+
Pop!_OS	22.04+

Outras distros baseadas em Debian/Ubuntu com glibc >= 2.31 também devem funcionar.

Instalar Tesseract (opcional)

Windows

1. Baixe em https://github.com/UB-Mannheim/tesseract/wiki
2. Instale e adicione ao PATH (ex: C:\Program Files\Tesseract-OCR)

Linux (Ubuntu/Debian)

sudo apt install tesseract-ocr tesseract-ocr-por

Uso

Via executável

Basta abrir o PDF2LLM.exe (Windows) ou pdf2llm (Linux). A interface guia todo o processo:

1. Selecione os PDFs
2. A pasta de destino é sugerida automaticamente (/md ao lado dos PDFs)
3. Clique em Converter
4. Ao final, escolha se quer abrir a pasta com os resultados

Via código-fonte

git clone https://github.com/wcmendes/pdftollm.git
cd pdftollm
pip install -e .[dev]
python -m src.main

OCR para PDFs escaneados

Após a conversão, se o sistema detectar PDFs que produziram Markdown vazio (documentos digitalizados), ele oferece reprocessamento automático com OCR:

1. Tesseract (primário) — rápido e preciso
2. EasyOCR (fallback) — baseado em deep learning, já incluso no executável

Se nenhum dos dois conseguir extrair texto, o arquivo original é preservado.

Distribuição / Build

O projeto oferece múltiplas formas de empacotamento:

Comando	Resultado
build_exe.bat	dist\PDF2LLM.exe (standalone, ~280 MB)
build_setup.bat	dist\PDF2LLM-Setup-x.x.x.exe (instalador)
PyInstaller folder	dist\PDF2LLM\ → pode zipar como portátil

O GitHub Actions (release.yml) gera tudo automaticamente ao criar uma tag v*.

Estrutura do Projeto

pdftollm/
├── src/
│   ├── main.py              # Entry point
│   ├── converters/          # Motor PDF → Markdown
│   ├── gui/                 # Interface tkinter
│   ├── i18n/                # Internacionalização
│   ├── models/              # Dataclasses e gerenciadores
│   └── ocr/                 # Tesseract + EasyOCR
├── locales/                 # Traduções (JSON)
├── tests/                   # 246 testes (unitários + propriedade)
├── pyproject.toml           # Dependências e config
├── pdfconverter.spec        # Build one-file (.exe)
├── pdfconverter_folder.spec # Build one-folder (para Setup/ZIP)
├── installer.iss            # Inno Setup script
└── .github/workflows/       # CI/CD (release automático)

Testes

pytest                # executa todos
pytest --cov=src      # com cobertura

Licença

MIT — William Mendes, 2026

Autor

William Mendes — GitHub · Lattes