Konwerter obrazu na Markdown: gdy liczy się kształt tego, co sfotografowałeś
Niektóre obrazki to obrazki. Inne to dokumenty, które akurat utknęły w obrazku — faktura, którą ktoś sfotografował i wysłał mailem, slajd zescreenshotowany z prezentacji, której nigdy nie dostaniesz, formularz wypełniony ręcznie, strona książki na biurku, tablica zapisana decyzją, której nikt nigdzie indziej nie zanotował. Słowa na tych obrazach są sednem — i ich układ też.
Wgraj taki plik tutaj, a tekst zostanie rozpoznany i oddany ci jako Markdown. Prawdziwe optyczne rozpoznawanie znaków, działające na pikselach. Sfotografowana faktura wraca z numerem faktury, firmą, datą, każdą pozycją i jej kwotą oraz sumą — z faktyczną treścią, nie jej opisem. Działają JPG, JPEG, PNG, GIF, BMP, TIFF, TIF i WebP. Za darmo, bez rejestracji, 50 MB na plik, nic nie zostaje po zakończeniu konwersji.
Co dokładnie dostajesz z powrotem
Wynikiem jest rozpoznany tekst i nic więcej. Żadnych danych aparatu, żadnych właściwości pliku, żadnej technicznej przedmowy do przewinięcia, zanim zacznie się użyteczna część. Wgrywasz zdjęcie dokumentu, dostajesz słowa dokumentu. Jeśli oczekujesz bloku nagłówkowego opisującego sam obraz — to nie to; to narzędzie czyta to, co jest w obrazku.
Jakość rozpoznania podąża za jakością obrazu — tak to trzeba uczciwie ująć. Ostry zrzut ekranu albo czysty eksport czyta się bardzo dobrze. Pospieszne zdjęcie ekranu laptopa pod kątem, z odbitym w nim oknem, to trudniejszy problem i możesz zobaczyć pojedyncze błędne znaki. Pismo odręczne, kroje pisane i ozdobne oraz tekst na niespokojnym tle są naprawdę trudne. Nic z tego nie czyni narzędzia bezużytecznym na słabym obrazie — znaczy tylko tyle, że wynik trzeba przeczytać, a nie zakładać.
Markdown czy zwykły tekst? Prawdziwa różnica
Oto coś, czego większość stron z konwerterami ci nie powie. Na prostym obrazie — zrzucie akapitu, zdjęciu odręcznej notatki, szyldzie — Markdown i zwykły tekst dają w praktyce ten sam wynik. Rozpoznany tekst przychodzi jako linie, a w bloku prozy nie ma struktury, którą Markdown mógłby oddać, a zwykły tekst zgubić. Jeśli przy prostym obrazie wybierzesz „źle", nie tracisz zupełnie nic.
Wybór zaczyna mieć znaczenie, gdy to, co na obrazku, ma kształt. Tabela, formularz z etykietami i wartościami, paragon z kolumnami pozycji i cen, strona dokumentu z nagłówkami i sekcjami. Tam Markdown zarabia na swoje miejsce, bo kreski pionowe i kratki potrafią przenieść siatkę albo hierarchię, którą płaski zrzut może jedynie zasugerować odstępami. Jeśli chcesz przekonwertować zrzut ekranu na tabelę Markdown, to jest strona, której szukasz. Jeśli potrzebujesz tylko słów do pola wyszukiwania, obraz na tekst to strona siostrzana — prostsze narzędzie do prostszej roboty.
Przełącznik formatu u góry przełącza między obydwoma i przenosi ze sobą plik, który już wybrałeś, więc możesz przepuścić ten sam obraz w obie strony i przekonać się na własne oczy, zamiast wierzyć mi na słowo.
Rzeczy, na które warto skierować aparat
- Faktury i paragony. Klasyczny przypadek. Dostawca przysyła sfotografowaną fakturę zamiast pliku, a ty potrzebujesz pozycji w czymś policzalnym. Przekonwertuj, sprawdź sumy z obrazem, wklej do arkusza albo podaj Markdown modelowi i poproś o rozbicie na pozycje.
- Formularze i wnioski. Drukowane formularze z wypełnionymi polami konwertują się na pary etykieta–wartość, z którymi da się pracować. Wpisy z klawiatury czytają się o wiele lepiej niż odręczne — warto to wiedzieć, zanim zeskanujesz dwieście sztuk.
- Slajdy, które masz tylko jako obrazy. Konferencyjne zdjęcie slajdu albo zrzut z nagranej prelekcji. Jeśli masz oryginalną prezentację, użyj PowerPoint na Markdown — zawsze wybieraj źródło. Gdy go nie masz, tędy wyciągasz treść.
- Strony książek i artykułów. Zdjęcie strony, którą chcesz zacytować, streścić albo z którą chcesz polemizować. Nagłówki i podziały akapitów przeżywają podróż na tyle, że wynik jest czytelny, a nie jest ścianą tekstu.
- Tablice i flipcharty. Na wprost, w przyzwoitym świetle i z czytelnym pismem — dostajesz użyteczny zapis spotkania. Chwiejne pismo markerem pod kątem — zapis częściowy. I tak szybciej, niż przepisywać samemu.
- Dashboardy i raporty jako zrzuty ekranu. Liczby w siatce stają się tabelą, którą możesz porównać z zeszłym miesiącem. Jeśli dane źródłowe istnieją jako plik, Excel na Markdown albo CSV na Markdown pobije każdy przebieg OCR, bo niczego nie trzeba zgadywać.
Zasada kontenera — i czemu oszczędza ci nieudany upload
To część warta przyswojenia, bo tłumaczy trzy osobne niespodzianki naraz. OCR działa tu na pliku obrazu, który wgrywasz. Nie działa na obrazach opakowanych w jakiś inny plik. Jeśli obrazek jest pasażerem w większym kontenerze, czytany jest kontener, a obrazek zostaje pominięty.
- Skanowane PDF-y wracają puste. PDF, który tak naprawdę jest fotografią papieru, nie ma w środku tekstu, a OCR nie sięga do środka przez opakowanie PDF. Najpierw uruchom na nim „rozpoznaj tekst" — mają to Acrobat, Podgląd na macOS i większość nowoczesnych czytników PDF — co zamienia go w przeszukiwalny PDF, a potem użyj PDF na Markdown albo PDF na tekst. To minuta objazdu i właściwa trasa dla zeskanowanych dokumentów.
- Obrazy w ZIP-ie nie są rozpoznawane. Konwersja archiwum wymienia nazwę pliku obrazu i idzie dalej. ZIP na Markdown jest świetny dla folderu dokumentów i arkuszy; zdjęcia dokumentów wypakuj i wgraj każdy obraz osobno.
- Obrazy osadzone w Wordzie, PowerPoincie, RTF, EPUB czy mailu też nie są rozpoznawane. Trafiają do wyniku jako placeholder obrazu, nie jako tekst. DOCX zbudowany ze zrzutów ekranu konwertuje się przez Word na Markdown do otaczającej prozy plus zestawu dziur. Wyciągnij obrazki z dokumentu i przekonwertuj je tutaj jako pliki graficzne.
Wersja jednozdaniowa: jeśli słowa, których chcesz, są wewnątrz obrazka, to obrazek musi być plikiem, który wgrywasz.
Jak wyciągnąć lepszy odczyt z trudnego obrazu
- Rób zrzut ekranu zamiast fotografować ekran, kiedy tylko masz taką możliwość. Zrzut ma idealny kontrast, zero odblasków, zero zniekształcenia trapezowego i zero drżenia ręki. To największa dostępna ci pojedyncza różnica jakości.
- Kadruj do tekstu. Tabela zajmująca jedną piątą szerokiego zdjęcia ma mniej pikseli na znak niż ta sama tabela wypełniająca kadr — i widać to w wyniku.
- Trzymaj obraz pionowo i na wprost. Fotografowanie strony pod kątem wygina linie tekstu, a wygięte linie trudniej podzielić na wiersze — co ma największe znaczenie dokładnie dla tych tabel, po które tu przyszedłeś.
- Oświetl równomiernie. Twardy cień w poprzek środka paragonu albo plama odblasku na zalaminowanym formularzu wytnie wszystko, co zakrywa.
- Przeczytaj wynik, zanim na nim polegniesz. Liczby to miejsce, gdzie błędy bolą najbardziej, więc sprawdź sumy i kody referencyjne z obrazem. Licznik tokenów pod wynikiem mówi, ile zaraz wkleisz do modelu — przydatne, gdy układasz kilka stron w jeden prompt.
Najczęstsze pytania
Jak przekonwertować obraz na Markdown?
Wgraj obrazek powyżej, a rozpoznany tekst wraca z nałożoną strukturą Markdowna. Obsługuje JPG, JPEG, PNG, GIF, BMP, TIFF, TIF i WebP, do 50 MB, za darmo i bez konta. Wynik to .md, który możesz wkleić do README, na stronę z dokumentacją albo do promptu modelu.
Kiedy Markdown jest naprawdę lepszy od zwykłego tekstu dla obrazu?
Gdy obrazek ma kształt. Zrzut ekranu z akapitem konwertuje się identycznie w obie strony — w prozie nie ma ukrytej struktury do oznaczenia. Ale zrzut tabeli, formularza, cennika albo strony z nagłówkami ma układ wart zachowania i tylko Markdown potrafi go przenieść. Do płaskiej prozy prostszym wyborem jest obraz na tekst.
Czy rozpozna tabelę na zrzucie ekranu?
Próbuje zbudować tabelę z kresek pionowych, a wynik podąża za tym, jak czysty jest oryginał. Zrzuty prawdziwych tabel z widocznymi liniami siatki i równymi odstępami kolumn zwykle odtwarzają się poprawnie. Tabele, w których kolumny rozdziela tylko szeroki odstęp albo komórki zawijają się na dwie linie, to miejsca, gdzie granice kolumn są zgadywane źle — sprawdź wiersz nagłówkowy, zanim zaufasz liczbom.
Czy poradzi sobie ze zrzutem ekranu z kodem?
Znaki przechodzą, ale traktuj wynik jak szkic. OCR nie ma pojęcia o składni, więc nie zauważy, że odczytał 0 tam, gdzie w źródle było O, albo zgubił poziom wcięcia w bloku Pythona. W porządku dla stack trace'a, który chcesz przeszukać. Nie do wklejenia do pliku i uruchomienia.
Czy same obrazy są osadzane w Markdownie?
Nie — wynikiem jest tekst znaleziony wewnątrz obrazka, a nie odwołanie  do niego. Nic nie jest wgrywane na CDN i żadne linki do obrazów nie powstają, więc Markdown jest samowystarczalnym zwykłym tekstem bez zewnętrznych zależności.
Reszta zestawu narzędzi
Obrazy to jeden z trzynastu obsługiwanych tu formatów. File2Txt przyjmie każdy z nich, jeśli nie chcesz najpierw wybierać strony. Dla kodu jest konwerter repozytorium GitHub na tekst oraz konwerter katalogu lokalnego dla folderu na własnym komputerze, a przewodnik po przygotowywaniu plików dla LLM-ów omawia przypadek ogólny głębiej.
Repo2Txt tworzy i utrzymuje v12hero, niezależny deweloper budujący natywne i webowe aplikacje z poszanowaniem prywatności.