markitdown

name	markitdown
description	Convert various file formats to Markdown for LLM consumption. Supports PDF, DOCX, PPTX, XLSX, images, audio, HTML, CSV, JSON, XML, ZIP, EPUB, YouTube URLs, and more via a plugin-based converter architecture.
version	0.2.0
author	Adam Fourney (Microsoft AutoGen Team)
homepage	https://github.com/microsoft/markitdown
stars	138779
tags	["herramientas","PDF","markdown","conversion","microsoft","autogen","trending-2026-06-03"]
fecha_actualizacion	2026-06-03T00:00:00.000Z

markitdown

Lightweight Python utility for converting various files to Markdown for LLMs and text-analysis pipelines. Built by Microsoft's AutoGen team. 138k⭐.

¿Qué hace?

MarkItDown convierte archivos de múltiples formatos a Markdown preservando la estructura del documento (encabezados, listas, tablas, enlaces). Optimizado para consumo por LLMs — no para legibilidad humana — lo que lo hace token-eficiente manteniendo estructura semántica.

Comparable a textract pero enfocado en Markdown.

Formatos soportados

Categoría	Formatos
Documentos	PDF, PowerPoint, Word, Excel, EPUB
Imágenes	EXIF metadata + OCR
Audio	EXIF metadata + transcripción de voz
Web	HTML, YouTube URLs
Datos	CSV, JSON, XML, ZIP (iterate contenidos)
Texto	Text-based formats

Instalación

# Full installation (all optional dependencies)
pip install 'markitdown[all]'

# Minimal (core only: text, HTML, JSON, XML, ZIP)
pip install markitdown

# Specific format extras
pip install 'markitdown[pdf, docx, pptx, xlsx, audio-transcription, youtube-transcription]'

Requisitos: Python 3.10+

Core dependencies: beautifulsoup4, requests, markdownify, magika (MIME detection), charset-normalizer, defusedxml

Uso básico

from markitdown import MarkItDown

md = MarkItDown()
result = md.convert("document.pdf")
print(result.markdown)        # Markdown limpio
print(result.title)           # Título detectado si existe

# Desde URL
result = md.convert("https://example.com/file.pdf")

# Desde stream
result = md.convert_stream(binary_data, content_type="application/pdf")

# Desde response de requests
result = md.convert_response(response)

# CLI
markitdown path-to-file.pdf > output.md
cat file.pdf | markitdown

Casos de uso

• RAG pipelines — convertir documentos subidos (PDF, DOCX, PPTX, imágenes) a Markdown antes de embedding
• LLM context building — preparar colecciones multi-formato para APIs de chat/completión
• Content extraction — bulk conversion de archivos a formato texto uniforme para análisis
• Plugin extensibility — registrar conversores custom vía markitdown.plugin entry points
• Integración con agents — markitdown es parte del ecosistema AutoGen de Microsoft

Arquitectura

• Plugin-based converters: Cada formato tiene su DocumentConverter subclass con accepts() y convert()
• MIME detection: magika (detector ML de Google) + mimetypes para detección en capas
• Priority system: Converters ordenados por prioridad; formatos más específicos ganan
• Azure integrations: Azure Document Intelligence y Azure Content Understanding para extracción de alta calidad

Seguridad

⚠️ MarkItDown realiza I/O con los privilegios del proceso actual. Sanitiza inputs en entornos no confiables y usa la API más narrow (convert_local(), convert_stream(), convert_response()) para tu caso de uso.

Comparativa con liteparse

Feature	markitdown	liteparse
Lenguaje	Python	Rust (con bindings Python/TS/WASM)
Velocidad	Bueno	⚡ Más rápido (Rust core)
Bounding boxes	❌	✅
OCR integrado	✅ (vía extras)	✅ (Tesseract + HTTP servers)
Screenshot pages	❌	✅
Soporte formatos	+ amplio	PDF/DOCX/XLSX/PPTX/IMG
Multi-plataforma	Python	Rust + Python + TS + WASM
Uso ideal	RAG, LLM context	Document pipelines, spatial parsing

Recomendación: Usar markitdown para RAG/LLM context (más formatos, más simple). Usar liteparse para pipelines de documentos que necesitan bounding boxes, OCR avanzado o screenshots.

Fecha de descubrimiento

2026-06-02 — Trending diario Y semanal en GitHub. 138.7k⭐, creado 2024-11-13. Microsoft AutoGen Team.