marker-pdf-conversion

name	marker-pdf-conversion
version	1.0.0
description	Marker — SOTA open-source para convertir PDF/DOCX/PPTX a markdown con alta precisión. Mantiene tablas, fórmulas, código e imágenes. Funciona en GPU/CPU/MPS.
tags	["pdf","markdown","ai","document-intelligence","conversion","OCR","LLM"]

Marker — Conversión PDF a Markdown con IA

Resumen

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

pip install marker-pdf
marker convert archivo.pdf --output_dir ./output

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