PDF-ek a Claude Code-ban: konvertálás, tokenek és a szerkezet megőrzése

Mi történik egy PDF-fel a Claude-ban, és miért kerül oldalanként 1,500–3,000 tokenbe?#

Az Anthropic hivatalos dokumentációja három egyszerű lépésben írja le a folyamatot:

Ez logikusnak hangzik, de a feldolgozás költsége az oldalak számával arányosan nő. És íme az az adat, amely megmagyarázza, miért fogy el az előfizetési kereted egyetlen PDF miatt:

Hogy lásd, ez mennyi, az Anthropic ugyanazt a 3 oldalas PDF-et mérte meg Bedrockon két módban. Szöveges módban (Converse Document Chat) ~1,000 tokent használt. Vizuális elemzéssel (Claude PDF Chat) ~7,000 tokent. A képek bevonása 7-szer drágábbá teszi a feldolgozást.

Az oldalak képernyőképei még rosszabbak. Egy 1000×1000 képpontos képernyőkép körülbelül 1,300 tokenbe kerül.

A mechanizmus egyszerű: a PDF-ek azért drágák, mert a Claude nem bízik a saját OCR-jében. A szöveget és a képet is használja, hogy összehasonlíthassa őket – te pedig mindkét rétegért egyszerre fizetsz. Nagy dokumentumoknál másképp is eljárhatsz: mentsd a fájlt Markdownként a projektmappádba, és mondd a Claude-nak: „itt egy információkat tartalmazó dokumentum – bontsd szét.” A tartalmat a saját fájljai között osztja el, majd rendszerezett szöveggel folytatja a munkát ahelyett, hogy mindent egyszerre dolgozna fel.

Mennyi tokenbe kerül egy PDF egy tipikus feladat során?#

A konkrét számok (Sonnet 4.x modell, a bemenet ára $3 millió tokenenként):

Ez pedig csak egy 4 kérésből álló ciklus. Ezután lép életbe a prompt caching (alapértelmezés szerint 5 perces TTL, kiterjesztett szinten akár 1 óra, az időablakon belüli ismételt hívásokra pedig akár 90% kedvezménnyel) – így a megtakarítás megsokszorozódik.

Minden alkalommal, amikor ugyanazt a PDF-et egy új beszélgetésben töltöd fel, a Claude újra elolvassa; a gyorsítótár nem vihető át a beszélgetések között.

Ha ugyanazt a 15 oldalas PDF-et egyszer Markdownná alakítod, majd négy új beszélgetés mindegyikébe .md fájlként viszed be, e példa 15 × 300 × 4 = 18,000 bemeneti tokent használ 135,000 helyett. A konvertált oldalanként 300 és PDF-oldalanként 2,250 token a számítás feltételezése, nem minden PDF mért állandója. Megtakarításbecslés előtt számold meg a tényleges dokumentumot, és igazold a konverzió minőségét.

A számítás Claude Pro-előfizetéssel még jelentősebbé válik. Egyetlen 100 oldalas jelentés kimerítheti a teljes 5 órás keretet. Markdownná alakítás után 10+ ilyen dokumentum is belefér ugyanabba a keretbe.

Milyen API-korlátok vonatkoznak az Anthropicnál a PDF-ekre 2026-ban?#

Az Anthropic dokumentációja az elején sorolja fel a korlátokat (2026. május 31-i állapot szerint):

A Claude.ai (a fogyasztóknak szánt webalkalmazás) korlátai eltérnek: fájlonként legfeljebb 500 MB, egy beszélgetésben pedig legfeljebb 20 fájl. A vizuális elemzés azonban csak a legfeljebb 100 oldalas PDF-eknél működik – ezen túl a Claude csak a szöveget látja, a grafikonokat és diagramokat nem.

Három módja van annak, hogy PDF-et küldj az API-n keresztül:

1. URL-lel - "source": {"type": "url", "url": "..."} - ez a legegyszerűbb, ha a dokumentum online van.
2. Base64-kódolással - "source": {"type": "base64", "media_type": "application/pdf", "data": "..."} - helyi fájlokhoz.
3. A Files API-n keresztül - "source": {"type": "file", "file_id": "file_abc123"} - ismételt kérésekhez; ehhez szükség van a anthropic-beta: files-api-2025-04-14 béta fejlécére.

A Files API a legfontosabb megtakarítási lehetőség, ha ugyanazzal a PDF-fel dolgozol különböző beszélgetésekben. Töltsd fel egyszer, kérj egy file_id-t, majd minden interakcióban ezt használd. cache_control: ephemeral beállítással az ismételt hívások a normál ár 10%-ába kerülnek.

Az Anthropic hivatalos tanácsokat is ad a használat minimalizálásához:

1. módszer: Hogyan állítsd be a MarkItDownt 5 perc alatt?#

A MarkItDown a Microsoft hivatalos projektje, amelyet az AutoGen csapata tart karban. A GitHubon 134 ezer csillaga és 9.2 ezer forkja van (2026. május végi állapot szerint). A README közvetlenül megfogalmazza a célját:

Támogatott formátumok:

• Dokumentumok: PDF, DOCX, PPTX, XLSX
• Web: HTML, JSON, XML, CSV
• Média: átírással kiegészített hanganyagok, EXIF-adatokkal és OCR-rel feldolgozott képek, YouTube-videók (feliratokon keresztül)
• Archívumok: ZIP, EPub
• Egyéb: az Outlook MSG-fájlok összes melléklete

Telepítés

Követelmény: Python 3.10+ (macOS rendszeren ez általában már telepítve van; Windows rendszeren külön kell telepíteni).

pip install 'markitdown[all]'

Ha nincs szükséged minden formátumra, csak a kiválasztottakat is telepítheted:

pip install 'markitdown[pdf, docx, pptx]'

Egyetlen fájl konvertálása

A legegyszerűbb eset:

markitdown document.pdf > document.md

Ezután a document.md megjelenik az aktuális mappában. Vidd be a Claude Code-ba az @document.md használatával, vagy egyszerűen tedd a projekted mellé.

Python API

Ha be szeretnéd építeni a szkriptedbe:

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("research-paper.pdf")
print(result.text_content)

# You can save it straight away:
with open("research-paper.md", "w") as f:
    f.write(result.text_content)

Amire a MarkItDown NEM képes

• OCR szkennelt PDF-ekhez - nem ad vissza semmit. A szkennelt dokumentumokhoz PyMuPDF4LLM vagy Docling szükséges.
• Összetett, többhasábos elrendezések kezelése - összekeverheti az olvasási sorrendet.
• PDF-ekbe ágyazott URL-ek megőrzése - ezeket nem őrzi meg.

Egyszerű PDF-ekhez (jelentésekhez, cikkekhez, dokumentációhoz) a MarkItDown a legjobb választás: sokoldalú eszköz, egy perc alatt telepíthető, és nem igényel Python-ismereteket. A cirill betűs szöveget és szkennelt oldalakat tartalmazó dokumentumokon nyújtott teljesítményét a PDF szöveggé alakításáról szóló, AI-nak készült útmutató elemzésének mérései mutatják be.

2. módszer: Mit kínál a PyMuPDF4LLM, és mikor jobb választás?#

A MarkItDown a formátumok széles választékát kínálja; a PyMuPDF4LLM a PDF-feldolgozás mélységét adja.

A 2026. május 31-i verzió az 1.27.2.3 (megjelent 2026. április 24-én).

Mit tartalmaz

• Többhasábos oldalak helyes olvasási sorrenddel
• GitHub-flavored Markdownná alakított táblázatok
• A fejléc és a lábléc automatikus eltávolítása
• Képek kinyerése relatív hivatkozásokkal egy külön mappába
• Intelligens OCR: csak az olvashatatlan részekre alkalmazva ~50% feldolgozási időt takarít meg
• Natív C motor, nincs szükség GPU-ra

Telepítés

pip install pymupdf4llm

Használat

import pymupdf4llm

# Basic use - straight to Markdown:
md_text = pymupdf4llm.to_markdown("document.pdf")

# Save it:
with open("document.md", "w") as f:
    f.write(md_text)

Egyetlen sorban, ahogy ígértük:

python3 -c "import pymupdf4llm; \
  open('document.md','w').write(pymupdf4llm.to_markdown('document.pdf'))"

Mikor válaszd a PyMuPDF4LLM-et a MarkItDown helyett?

• Ha a PDF sok megőrzendő hivatkozást tartalmaz (a MarkItDown elveszíti őket).
• Ha a dokumentum szkennelt, és OCR-re van szükséged.
• Ha helyben több ezer fájlt kell gyorsan feldolgoznod – a natív C motor gyorsabb a Python-wrapperöknél.
• Ha a PDF-ből származó képekre egy külön mappában van szükséged további feldolgozáshoz.

Licencelési részletek (üzleti felhasználásnál fontos)

A PyMuPDF4LLM kettős licencelésű: AGPL v3 VAGY Artifex kereskedelmi licenc.

Mit jelent az AGPL: ha a könyvtárat nyilvános SaaS-ban használod, a szolgáltatásod teljes forráskódját ugyanazon AGPL alatt kell közzétenned. Belső használat esetén (például a laptopodon futtatott szkriptnél) nincs korlátozás.

Ha kereskedelmi fejlesztést végzel a kód közzététele nélkül, vásárolj licencet az Artifextől (artifex.com). Az árak nincsenek közzétéve; az értékesítési részlegtől kell ajánlatot kérni.

Ha ügyfeleknek építesz terméket, már az elején ellenőrizd a licencet. A MarkItDown (MIT) és a Docling (MIT) biztonságosabb választás SaaS-hoz.

3. módszer: Hogyan csatlakoztasd a MarkItDown MCP-szervert a Claude Code-hoz?#

A MarkItDown CLI-módban azt jelenti: „előre, kézzel konvertálom a fájlokat”; az MCP-szerver pedig ezt: „a Claude Code dönti el, mikor konvertál.”

Telepítés

Szükséged lesz az uv csomagkezelőre. Nem kell külön telepíteni a szervert; az uv az első futtatásakor letölti.

Beállítás a Claude Code-ban

Egyetlen paranccsal csatlakoztathatod a szervert az összes projektedhez, rögzített verzióval:

claude mcp add --scope user --env 'ORT_DISABLE_TELEMETRY=1' --env 'UV_PYTHON=3.12' --transport stdio markitdown -- uvx markitdown-mcp@0.0.1a7
claude mcp list

A markitdown bejegyzésnek „Connected” állapotot kell jeleznie. Az első indítás körülbelül hetven csomagot tölt le, és akár egy percig is tarthat; utána a szerver egy-két másodperc alatt elindul.

Ezért van szükség a parancsban a két változóra. Az ORT_DISABLE_TELEMETRY=1 letiltja azokat a statisztikákat, amelyeket a szerverben működő onnxruntime motor alapértelmezés szerint elküld a Microsoftnak Macen és Linuxon. Az UV_PYTHON=3.12 Python 3.12-vel futtatja a szervert, amelyhez előre elkészített csomagok érhetők el Windowsra, Linuxra és Apple Siliconnal szerelt Mac gépekre. Intel Macen, valamint macOS 13 és korábbi verziókon a szerver nem települ Python 3.14-gyel. Az Intel és a 3.12 használatával kapcsolatban van egy kitétel: az uv forrásból építi fel a cryptography könyvtárat, mert 2026 júniusa óta nem érhető el hozzá előre elkészített Intel-csomag. A telepítés tovább tart, és sikertelen is lehet. Ha nincs Python 3.12-d, az uv letölti neked.

A szerver közvetlenül a számítógépeden fut, és bármely fájlt meg tud nyitni, amelyhez hozzáférsz. Ha a Claude Code nyitva volt, indítsd újra, és a markitdown megjelenik az MCP-szerverek listájában.

Használat

A Claude Code-ban egyszerűen mondd ezt:

Convert /Users/your-user/Documents/report.pdf to Markdown and analyze the main points.

A Claude maga hívja meg a convert_to_markdown(uri) függvényt, megkapja a Markdown-tartalmat, és dolgozik vele – a PDF egyáltalán nem töltődik be a kontextusba.

Támogatott URI-k

• file:// - helyi fájlok
• http://, https:// - online dokumentumok
• data: - beágyazott adat (Base64)

Biztonság

A hivatalos README-ből:

Alapértelmezés szerint localhosthoz van kötve. Ha HTTP/SSE-n keresztül futtatod (--http --host 127.0.0.1 --port 3001 opcióval), ne tedd ki a portot a külső hálózatra hitelesítést végző reverse proxy nélkül.

Melyik módszert válaszd a feladatodhoz?#

Részletes összehasonlító táblázat:

A Marker lenyűgöző pontossági adatokat közöl a benchmarkokon:

A Marker azonban jó sebességhez GPU-t igényel, és gépi tanulási modelleket is magával hoz. A legtöbb feladathoz (hagyományos szöveges PDF-ekhez) a PyMuPDF4LLM vagy a MarkItDown GPU nélkül, másodpercek alatt elvégzi a munkát.

Egyszerű választási szabály

1. Egy-két PDF, gyorsan kell - MarkItDown CLI.
2. Több tucat PDF, automatizálásra van szükség - MarkItDown MCP-szerver vagy PyMuPDF4LLM egy szkriptben.
3. PDF-ek hivatkozásokkal és képekkel, amelyeknél fontos a szerkezet megőrzése - PyMuPDF4LLM.
4. Üzleti célú éles RAG, ahol fontos a táblázatok stabil kezelése - Docling.
5. Tudományos cikkek képletekkel - Marker.
6. Nem akarsz ezzel foglalkozni; hadd konvertáljon a Claude - MarkItDown MCP-szerver.

Hogyan írj kész szkriptet egy dokumentummappa automatikus konvertálásához?#

Gyakorlati példa: képzeld el, hogy egy mappában 40 PDF- és PPTX-jelentésed van ügyfelektől – brókerkimutatások, szerződések, prezentációk. A teljes mappa közvetlen feltöltése a Claude-ba nem vezet eredményre: a kontextusablak már az első válasz előtt megtelik. Futtasd végig a teljes mappát az alábbi szkripten egyetlen menetben, majd dolgozz tovább a könnyű .md fájlokkal a nagy PDF-ek helyett.

Mentsd ezt a szkriptet scripts/docs-to-md.sh néven a projekt gyökerébe:

#!/bin/bash
# docs-to-md.sh - converts all documents in a folder to Markdown using MarkItDown
# Usage: bash docs-to-md.sh ./documents

set -e

INPUT_DIR="${1:-./documents}"
OUTPUT_DIR="${INPUT_DIR}/_md"

mkdir -p "$OUTPUT_DIR"

echo "Scanning $INPUT_DIR..."

for file in "$INPUT_DIR"/*.{pdf,docx,pptx,xlsx}; do
  [ -f "$file" ] || continue

  basename=$(basename "$file")
  name="${basename%.*}"
  output="$OUTPUT_DIR/${name}.md"

  if [ -f "$output" ] && [ "$output" -nt "$file" ]; then
    echo "Skipping $basename (already converted)"
    continue
  fi

  echo "Converting $basename..."
  markitdown "$file" > "$output"
done

echo "Done. Results are in $OUTPUT_DIR"

Tedd végrehajthatóvá:

chmod +x scripts/docs-to-md.sh

Futtasd:

bash scripts/docs-to-md.sh ./reports

A futtatás után a ./reports/_md/ mappában minden dokumentum .md változata megtalálható. Vidd be őket a Claude Code-ba az @reports/_md/ használatával, és a PDF-ek helyett a tömörített szöveggel dolgozz.

A szkript automatikusan kihagyja azokat a fájlokat, amelyeket már konvertált (ha az .md fájl újabb a forrásnál) – az újbóli futtatás olcsó, és nem számol újra mindent.

Idempotencia és inkrementális konvertálás

Ha azt szeretnéd, hogy a szkript felismerje a megváltozott PDF-eket (amelyeket ugyanazon a néven mentettek újra), adj hozzá egy tartalomhash-ellenőrzést:

hash=$(shasum -a 256 "$file" | cut -d' ' -f1)
hash_file="$OUTPUT_DIR/.${name}.sha256"

if [ -f "$hash_file" ] && [ "$(cat "$hash_file")" = "$hash" ]; then
  echo "Skipping $basename (hash matches)"
  continue
fi

markitdown "$file" > "$output"
echo "$hash" > "$hash_file"

Ez a változat csak akkor konvertálja újra a fájlt, ha megváltozott a tartalma.

Mikor jobb mégis a PDF a Claude-ban, mint a Markdown?#

Három eset, amikor a Markdown-konvertálás nem elég:

1. Diagramok és grafikonok vizuális elemzése

Ha a Claude-nak „el kell olvasnia” egy grafikont – például egy árfolyamgörbét, folyamatábrát vagy architektúra-diagramot –, az információ nincs benne a Markdownban. A Markdown csak az ábrák feliratát őrzi meg; maga az ábra elveszik.

Megoldás: töltsd fel a PDF-et, és kifejezetten kapcsold be a vizuális módot. A Claude API-ban a jelző automatikusan működik; AWS Bedrockon a citations jelzőre van szükség.

2. Összetett táblázatok egyesített cellákkal

A Markdown-táblázatok laposak. Ha a PDF egyesített cellákat, többszintű fejléceket vagy beágyazott altáblázatokat tartalmazó táblázatot tartalmaz, a konverter vagy kilapítja, vagy elveszíti az összefüggéseket.

Megoldás: használd közvetlenül a PDF-et, válaszd a Doclingot (ez kezeli a legjobban az összetett táblázatokat), vagy a konvertálás után formázd meg kézzel.

3. Dokumentumok mint oldalszám szerint hivatkozható műtárgyak

Jogi dokumentumok, szerződések és jegyzőkönyvek esetén fontos, hogy így tudj hivatkozni: „7. oldal, 3. bekezdés”. A Markdownban elvesznek az oldalszámok.

Megoldás: PDF + Files API + prompt caching. Töltsd fel egyszer, majd hivatkozz rá file_id segítségével; a Claude látja az oldalszámozást, és konkrét oldalakra tud hivatkozni.

Rövid dokumentumok

Ha egy PDF 2 oldalnál rövidebb, és csak egyszer használod, nem éri meg konvertálni. A PDF 5,000 tokenes költsége a Markdown 800 tokenjével szemben nem jelent akkora megtakarítást, hogy indokolja a MarkItDown telepítését.

A megtérülési küszöb körülbelül 5+ oldal, vagy ugyanannak a dokumentumnak 2+ felhasználása. Ez alatt töltsd fel közvetlenül a PDF-et; fölötte konvertáld.

Mi az 5 leggyakoribb hiba, amit az emberek a PDF-ek Claude-ban való használatakor elkövetnek?#

1. Ugyanannak a PDF-nek az újbóli feltöltése minden új beszélgetésben

A Claude Pro 5 órára vonatkozó üzenetkorláttal rendelkezik – egy 50 oldalas jelentés kimerítheti azt, még mielőtt feltennéd a második kérdésedet.

Van erre egy egyszerű alapelv: egy feladat – egy beszélgetés. Ha az AI elképesztően sok tokent kezd fogyasztani, az azt jelenti, hogy mindent egy beszélgetésbe zsúfolsz, és újra meg újra behozod a PDF-et. Minden ablakban egy mikrof eladatra összpontosíts. Konvertáld a dokumentumot egyszer Markdownná, majd minden új ablakban add hozzá a .md fájlt a projekt mellé. A kontextusablak jelzőköre nem vált sárgára.

Megoldás: konvertáld egyszer Markdownná, vagy használd a Files API-t file_id azonosítóval és prompt cachinggel.

2. Képernyőkép szöveg helyett

Tipikus példa: valaki meg akar mutatni a Claude-nak egy kódrészletet vagy táblázatot, képernyőképet készít a teljes, 1920×1080-as képernyőről, majd csodálkozik, hogy 5 kérés után elfogyott a keret.

Egy 1000×1000 képpontos képernyőkép ~1,300 tokenbe kerül. Ugyanaz a szöveg kézi másolással 50–100 tokenbe kerül. Ez 13–26-szoros különbség.

Megoldás: szorosan vágd körbe a képernyőképeket (csak a fontos rész maradjon rajtuk), vagy még jobb, ha közvetlenül másolod a szöveget.

3. Szkennelt PDF OCR nélkül

A MarkItDown nem tud OCR-t végezni. Ha szkennelt dokumentumot konvertálsz, az eredmény egy üres .md fájl (vagy 3 sor zaj).

Megoldás: szkennelt dokumentumokhoz használd a PyMuPDF4LLM-et (beépített intelligens OCR-rel) vagy a Doclingot.

4. A 100 oldalas korlát figyelmen kívül hagyása

Az Anthropic dokumentációja kérésenként 600 oldalas korlátot ad meg – a 200K kontextusú modellek (Sonnet 4.x, Opus 4.x) esetében azonban a gyakorlati korlát 100 oldal. A 600 oldalas korlát régebbi modellekre vagy speciális szintekre vonatkozik.

Ha 150 oldalas jelentést töltesz fel a Sonnet 4.6-ba, hibát kapsz, vagy ami még rosszabb, a Claude csak az első 100 oldalt dolgozza fel, majd úgy tesz, mintha az egész dokumentumot elolvasta volna.

Megoldás: feltöltés előtt oszd részekre a hosszú PDF-eket. Vagy konvertáld őket Markdownná – erre nincs oldalkorlát, csak tokenkorlát.

5. A prompt caching mellőzése ismételt kéréseknél

Ha ugyanazzal a dokumentummal dolgozol az API-n keresztül, csomagold cache_control: ephemeral beállításba. Az 5 percen belüli ismételt hívások az eredeti ár 10%-ába kerülnek. Egy kérés többe kerül; a többi 90% kedvezményt kap.

Megoldás: alapértelmezés szerint kapcsold be a prompt cachinget mindennél, amit többször töltesz fel.

Hogyan tovább: kontextusmérnökség#

A PDF Markdownná alakítása az egyik módja a tokenmegtakarításnak. Önmagában nem teszi pontosabbá a Claude válaszait. A pontosság a kontextusmérnökségből ered – abból a módszertanból, amely meghatározza, mit teszel a modell kontextusába, mielőtt kérdezel.

Ha a CLAUDE.md fájlod 800 soros, a projektedben 10 felesleges MCP-szerver van, és behozol egy 100 oldalas PDF-et, a Markdown-konvertálás egy szivárgást megakadályoz, de a másik három megmarad. Ezért foglalkoznak ezek az útmutatók a következőkkel:

• Hová kerülnek a tokenek a Claude Code-ban - 9 kontextusszivárgási minta, nem csak a PDF-ek.
• Context Engineering 2026-ban - a kontextus rendszerezett kezelése.
• Plan Mode a Claude Code-ban - tervezési mód, mielőtt a Claude elkezdene kódot írni.