文档格式转换实战指南：Markdown、HTML、PDF 互转全解析
每个文档都有它最适合的格式。Markdown 适合写作，HTML 适合网页展示，PDF 适合打印分发，Word 适合办公协作。麻烦在于，现实工作中你经常需要在这些格式之间穿梭——把博客文章转成 PDF 发给客户，把 Word 文档迁移到知识库，把网页内容提取成 Markdown 归档。
格式转换看似简单，真正动手时却问题频出：格式乱了、表格消失了、中文变乱码了。这篇指南梳理各种转换路径的最佳方案，帮你少走弯路。
四大格式特点对比
在选择转换路径之前，先理解各格式的本质特点：
| 格式 | 可读性 | 可编辑性 | 渲染效果 | 文件大小 | 适用场景 |
|---|---|---|---|---|---|
| Markdown (.md) | 极高（纯文本） | 极高 | 依赖渲染器 | 极小 | 技术文档、博客写作、README |
| HTML (.html) | 中（含标签） | 高 | 浏览器渲染 | 小~中 | 网页、邮件模板、文档展示 |
| PDF (.pdf) | 高（视觉） | 极低 | 固定排版 | 中~大 | 打印、正式文件、跨平台分发 |
| Word (.docx) | 高 | 高 | Office 渲染 | 中 | 办公协作、需要批注修订 |
核心规律：可编辑性越高的格式，排版固定性越低；排版越固定的格式，转换损耗越大。 PDF 是单向格式，从 PDF 往外转时质量损耗最大。
Markdown → PDF
这是最常见的转换需求，有三种方案，效果各有差异：
方案一：浏览器打印（推荐入门用）
- 在支持 Markdown 预览的工具中打开文档（VS Code 预览、MagicTools、Typora）
- 按
Ctrl+P（Mac：Cmd+P）打开打印对话框 - 目标打印机选择「另存为 PDF」
- 调整页面设置：去掉页眉页脚勾选，设置合适的边距
优点：操作简单，零学习成本，所见即所得。 缺点：代码高亮、字体、分页位置依赖浏览器渲染，不同机器可能有细微差异。
方案二：Pandoc 命令行（推荐专业用）
Pandoc 是格式转换领域的瑞士军刀，支持 40+ 种格式互转。
# 安装（Mac）
brew install pandoc
# 同时需要安装 LaTeX（用于 PDF 输出）
brew install --cask mactex-no-gui
# 基本转换
pandoc input.md -o output.pdf
# 带中文支持（必须指定字体，否则中文显示为方块）
pandoc input.md -o output.pdf \
--pdf-engine=xelatex \
-V mainfont="PingFang SC" \
-V geometry:margin=2cm
# 自定义 CSS 样式（通过 HTML 中间步骤）
pandoc input.md -o output.pdf \
--pdf-engine=wkhtmltopdf \
--css=style.css
优点：输出质量最高，格式控制精细，支持批量处理，适合生产环境。 缺点：需要安装 LaTeX 环境（约 4GB），中文配置有一定学习成本。
方案三：在线工具（临时需求）
MagicTools 内置导出功能，写好 Markdown 后一键导出 PDF，无需安装任何软件。适合偶发性需求。
Markdown → HTML
Markdown 转 HTML 是最"无损"的转换，因为 Markdown 本来就是 HTML 的简化写法。
静态博客生成
主流方案：Hugo、Jekyll、Gatsby、Astro。以 Hugo 为例：
# 一条命令把整个 articles/ 目录转成网站
hugo --source . --destination ./public
# 生成的 public/ 包含完整的 HTML 站点，可直接部署
这类工具会自动处理代码高亮、目录生成、相关文章推荐等功能。
单文件转换
# Pandoc 转换，嵌入完整样式（standalone 模式）
pandoc input.md -o output.html --standalone
# 引用外部样式文件
pandoc input.md -o output.html --standalone --css=github-markdown.css
转换结果可以直接在浏览器打开，或嵌入到现有网页中。
邮件模板
把 Markdown 内容转成 HTML 后，注意邮件客户端对 CSS 支持极差，需要把所有样式内联化：
# 使用 juice 工具内联 CSS
npm install -g juice
pandoc input.md -o temp.html --standalone --css=email.css
juice temp.html output-email.html
HTML → Markdown
这条路径最常用于：博客平台迁移（WordPress → Hexo/Hugo）、从网页提取内容归档、清洗爬虫抓取的内容。
在线工具（推荐）
MagicTools HTML 转 Markdown 支持三种输入方式：
- 直接粘贴 HTML 代码
- 输入 URL 自动抓取网页
- 粘贴富文本（从网页复制后粘贴）
背后使用 Turndown 引擎，能正确处理表格、代码块、列表嵌套等复杂结构。
命令行批量转换
迁移整个 WordPress 博客时，命令行方案更高效：
# 安装 html2text（Python）
pip install html2text
# 单文件转换
html2text article.html > article.md
# 批量转换整个目录
for f in html-pages/*.html; do
html2text "$f" > "markdown-output/${f%.html}.md"
done
转换质量注意事项：
- 导航栏、侧边栏、广告等无关内容需要手动清理
- 图片 URL 会保留原始地址，需要另行下载并替换为本地路径
- 复杂的嵌套表格可能丢失格式
PDF → Markdown
这是所有转换路径中质量最差的一条，原因是 PDF 本质上是"打印指令集"，文字的逻辑顺序（段落、标题层级）并不直接存储在文件里。
OCR 方案（适合扫描版 PDF）
扫描版 PDF（纸质文档扫描而来）必须用 OCR：
- Adobe Acrobat Pro：识别精度最高，支持中文，价格较贵
- Microsoft Office Lens：免费移动端 APP，扫描 + OCR，输出 Word 后再转 Markdown
- 在线 OCR：ilovepdf.com、smallpdf.com 提供免费的 OCR 转换
文字层 PDF 转换
如果 PDF 包含可选中的文字（不是扫描版），可以用：
# pdftotext（poppler 工具包）
pdftotext -layout input.pdf output.txt
# 注意：只能提取纯文本，标题层级和格式信息会丢失
# pdf2md 工具（更好保留结构）
npm install -g pdf2md-cli
pdf2md input.pdf > output.md
现实预期：PDF → Markdown 几乎必然需要手动修正，只适合"有比没有好"的场景。重要文档建议保留源文件（Word、Markdown 原稿）。
Word/DOCX → Markdown
企业环境中大量文档存在于 Word 格式，迁移到 Markdown 知识库时这条路径很常用。
Pandoc（推荐，质量最高）
# 基本转换
pandoc input.docx -o output.md
# 提取 Word 中的图片到 media/ 目录
pandoc input.docx -o output.md --extract-media=./media
# 批量转换
for f in *.docx; do
pandoc "$f" -o "${f%.docx}.md" --extract-media="./media/${f%.docx}"
done
Pandoc 能正确识别 Word 的标题样式（Heading 1 → #，Heading 2 → ##），保留粗体、斜体、表格和图片。
Word 另存为（简单但质量差）
在 Word 中 File → Save As → Plain Text，只能保留纯文本，丢失所有格式。不推荐作为迁移方案。
各转换路径质量评级
| 转换路径 | 格式保真度 | 操作难度 | 推荐工具 |
|---|---|---|---|
| Markdown → HTML | ★★★★★ | 低 | Pandoc / 在线工具 |
| Markdown → PDF | ★★★★☆ | 中 | Pandoc + XeLaTeX |
| HTML → Markdown | ★★★★☆ | 低 | MagicTools / Turndown |
| Word → Markdown | ★★★★☆ | 低 | Pandoc |
| Markdown → Word | ★★★☆☆ | 低 | Pandoc |
| PDF → Markdown | ★★☆☆☆ | 高 | OCR + 手动修正 |
| PDF → Word | ★★★☆☆ | 低 | Adobe / 在线工具 |
FAQ
Q：转换后格式乱了怎么办？
A：格式乱的原因通常有三种：第一，源文件格式不规范（如 Word 中用空行代替段落样式），解决方法是规范源文件再转；第二，转换工具不支持某些特性（如特殊字体、复杂表格），换一个工具试试；第三，编码问题（中文乱码），Pandoc 命令行加 --from=utf-8 或确保文件以 UTF-8 保存。如果是 PDF → 其他格式，格式乱基本是正常现象，需要手动修正。
Q：表格在转换中容易丢失怎么处理？
A：表格是格式转换最容易出问题的元素。处理建议：HTML → Markdown 转换时，优先使用 MagicTools 或 Turndown，它对表格支持最好；PDF 中的表格丢失基本无法自动恢复，只能手动重新写 Markdown 表格；Word 表格用 Pandoc 转换质量较好，但合并单元格会丢失合并信息；万不得已时，可以把表格截图，用图片替代——虽然不优雅，但总比格式乱好。
Q：免费工具能处理批量转换吗？
A：完全可以。Pandoc 是免费开源工具，可以写 Shell 脚本批量处理整个目录。Python 的 html2text、markdownify 库也支持批量调用。对于 100 个以内文件的批量转换，命令行脚本配合 Pandoc 是最高效的方案，完全免费，且可以精确控制输出格式。超过 1000 个文件时可以考虑并行处理（xargs -P 4 或 Python 的 multiprocessing）以提升速度。
总结
文档格式转换没有银弹，但有规律可循：
- 高频需求：Markdown ↔ HTML、Markdown → PDF，这两条路径工具成熟，质量可靠
- 迁移需求：Word → Markdown、HTML → Markdown，Pandoc + 在线工具能处理绝大多数情况
- 最难转：PDF → 任何格式，做好手动修正的心理准备
最重要的建议：保留原始格式文件。转换是临时操作，原稿才是资产。用 Markdown 写作，用 Git 版本管理，随时可以转换成任何你需要的格式，这才是最有弹性的文档工作流。