document-conversion

# 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 ```bash pip install markitdown ``` ## Uso Básico ```python 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 ```python 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](https://github.com/microsoft/markitdown)