marker-pdf-conversion

# Marker — Conversión PDF a Markdown con IA ## Resumen [Marker](https://github.com/datalab-to/marker) (⭐37K) es el SOTA open-source para convertir documentos PDF, DOCX, PPTX, XLSX, HTML y EPUB a markdown, JSON, chunks o HTML con alta precisión. ## Cuándo usar - Extraer texto de PDFs para RAG/knowledge base - Convertir documentos científicos a markdown estructurado - Procesar batch de PDFs offline (200M+ páginas/semana en producción) - Mantener tablas, fórmulas, código e imágenes intactos ## Patrón de uso ```bash pip install marker-pdf marker convert archivo.pdf --output_dir ./output ``` ```python from marker.convert import convert_single_pdf # Conversión básica markdown, images, metadata = convert_single_pdf("documento.pdf") # Con LLM boost (más preciso) markdown, images, metadata = convert_single_pdf("documento.pdf", llm_model="claude") # Extracción estructurada con schema markdown, images, metadata = convert_single_pdf("documento.pdf", schema="mi_schema.json") ``` ## Integración con otros skills - **rag-knowledge-base**: Pipeline ideal: Marker → Markdown → Embedding → ChromaDB - **adaptive-web-scraping**: Complemento para extraer texto de PDFs encontrados en scraping - **firecrawl-web-scraping**: Alternativa offline a Firecrawl para procesamiento de PDFs ## Pitfalls - **Tamaño de modelo**: El modelo base necesita ~8GB de VRAM. Para CPU puro, usa `--cpu` pero será lento - **Idioma**: Soporta todos los idiomas pero el rendimiento óptimo es en inglés/alemán/francés/español - **PDFs escaneados**: Funciona bien pero la OCR depende del modelo. Para PDFs muy antiguos o de mala calidad, considera añadir `--ocr` - **Fórmulas LaTeX**: Se convierten a LaTeX. Para MathML necesitas post-procesamiento ## Referencias - Docs: https://documentation.datalab.to - Playground: https://www.datalab.to/playground - Modelo Chandra (SOTA): https://github.com/datalab-to/chandra --- **Hecho con ❤️ por David Antizar**