如何用Pandoc将多文件LaTeX(arXiv)转Markdown及方案选型

一、定位主.tex文件的方法 #

• 优先查看arXiv压缩包根目录，主文件通常具备这些特征：
  • 包含\documentclass声明（比如\documentclass{article}），这是LaTeX文档的核心入口标识
  • 文件名常为main.tex、paper.tex，或与arXiv论文标题同名
  • 包含\begin{document}和\end{document}包裹的正文，且会通过\input{xxx.tex}或\include{xxx.tex}引入其他子文件
• 若上述方法没找到，直接遍历根目录下所有.tex文件，搜索\documentclass关键词，匹配到的文件就是主文件

二、转换方案对比 #

方案1：直接用Pandoc处理主文件 #

• 确认主文件后，执行以下命令即可完成转换：

  pandoc -s main.tex -o output.md --mathjax -f latex -t gfm
  

  其中--mathjax参数会自动将LaTeX公式转为$/$$包裹的格式，完全符合GFM的数学公式规范
• 优势：步骤简洁，无需额外工具链
• 注意：若子文件路径存在问题，需调整主文件内的\input/\include路径，保证Pandoc能正确读取依赖文件

方案2：LaTeXML + Pandoc组合流程 #

• 该方案更适配复杂的arXiv文档（比如含特殊宏包、复杂排版逻辑）：
  1. 用LaTeXML将整个LaTeX项目转为XML：

     latexml --dest=output.xml main.tex
     

  2. 再通过Pandoc将XML转为带公式的GFM：

     pandoc -s output.xml -o final.md --mathjax -t gfm
     

• 优势：LaTeXML对arXiv的LaTeX兼容性更强，能处理大量Pandoc直接解析失败的复杂结构，输出的XML完整保留数学公式结构，转Markdown后公式格式更精准
• 劣势：需额外安装LaTeXML工具，步骤相对繁琐

总结 #

结构简单的多文件LaTeX文档，直接用Pandoc处理主文件效率更高；若文档包含复杂宏或特殊排版，LaTeXML+Pandoc的组合能获得更可靠的转换结果，且两种方案都能保留$分隔的数学公式格式。

内容的提问来源于stack exchange，提问作者olivarb