document-conversion

name	document-conversion
description	Convertir cualquier documento (PDF, DOCX, PPTX, HTML, imágenes, audio) a Markdown limpio con IA — ingestión de documentos para pipelines LLM.
version	1.0.0
tags	["document","pdf","docx","markdown","conversion","OCR","AI"]

Document Conversion — Microsoft MarkItDown

Resumen

Convierte cualquier documento (PDF, DOCX, PPTX, HTML, imágenes, audio, video) a Markdown limpio con IA. 154k⭐.

Repo de referencia

• GitHub: github.com/microsoft/markitdown
• Lenguaje: Python
• Licencia: MIT

Instalación

pip install markitdown

Uso Básico

import markitdown

converter = markitdown.MarkItDown()

# PDF → Markdown
result = converter.convert("documento.pdf")
print(result.text_content)

# DOCX → Markdown
result = converter.convert("informe.docx")

# PPTX → Markdown
result = converter.convert("presentacion.pptx")

# Imagen → Markdown (con OCR)
result = converter.convert("foto.png")

# Audio → Transcripción
result = converter.convert("grabacion.mp3")

Pipeline de Ingestión

from pathlib import Path
import markitdown

converter = markitdown.MarkItDown()
SUPPORTED = {'.pdf', '.docx', '.pptx', '.xlsx', '.html', '.htm',
             '.jpg', '.jpeg', '.png', '.gif', '.bmp', '.tiff',
             '.mp3', '.wav', '.mp4', '.avi'}

def process_document(filepath):
    ext = Path(filepath).suffix.lower()
    if ext not in SUPPORTED:
        raise ValueError(f"Formato no soportado: {ext}")
    result = converter.convert(filepath)
    return result.text_content

# Batch processing
for doc in Path("/docs").glob("*"):
    if doc.suffix.lower() in SUPPORTED:
        md = process_document(doc)
        # Guardar o insertar en vector DB

Pitfalls

• PDFs escaneados: Requiere OCR. Las imágenes sin texto no se convierten bien.
• Tablas complejas: Las tablas con celdas combinadas pueden perder estructura.
• Tamaño: Documentos >50MB pueden consumir mucha memoria.
• Formatos antiguos: .doc y .ppt pueden no soportarse.
• Dependencias: Requiere poppler-utils para PDFs.

Referencias

• GitHub: microsoft/markitdown