Microsoft MarkItDown - herramienta de Python para convertir archivos y documentos de Office a Markdown

• Herramienta utilitaria para convertir diversos archivos a Markdown
• Formatos compatibles:
  • PDF (.pdf), PowerPoint (.pptx), Word (.docx), Excel (.xlsx)
  • Imágenes (metadatos EXIF y OCR), audio (metadatos EXIF y transcripción de voz)
  • HTML (con manejo especial especialmente para Wikipedia) y varios otros formatos basados en texto (csv, json, xml, etc.)
• El uso de la API es sencillo:

  from markitdown import MarkItDown  
  markitdown = MarkItDown()  
  result = markitdown.convert("test.xlsx")  
  print(result.text_content)  
  

[kandk]

Oh, parece que incluso dentro de Microsoft lo quieren convertir en código abierto, ¿no?

[GN⁺]

Comentarios en Hacker News

• Si tienes uv instalado, puedes ejecutarlo sobre un archivo con el comando uvx markitdown path-to-file.pdf sin necesidad de instalar nada por separado

  • En la primera ejecución almacena en caché los paquetes necesarios y en las siguientes reutiliza los paquetes ya cacheados
  • Al probarlo con HTML y PDF, mostró un rendimiento bastante bueno

• Tengo experiencia desarrollando en la empresa una función para convertir archivos a texto amigable para LLM

  • Después de leer el código fuente, esta implementación me parece bastante razonable
  • Es mejor no usarlo para imágenes ni hojas de cálculo
  • En el caso de las imágenes, pueden pasarse directamente al proveedor del LLM, y las hojas de cálculo se interpretan mal como tablas Markdown

• Muchas startups y proyectos open source complican este campo, pero el objetivo final es un proyecto simple, fácil de entender y de desplegar

• Para el procesamiento de PDF, sería bueno que hubiera una función para ajustar "cuánto procesamiento quieres"

  • Al extraer texto de un PDF, hay que usar heurísticas sensibles a cómo fue exportado el PDF o recurrir completamente a OCR
  • Es incómodo que el proyecto quede atado a un solo método
  • No usaría funciones de voz a texto, porque sus características de rendimiento pueden ser distintas de las de texto a texto

• Para el procesamiento de PDF, podría ser mejor integrar directamente PDFMiner

• Se puede usar Pandoc para convertir archivos .docx a Markdown y a otros formatos

  • Pandoc no puede convertir archivos de PowerPoint ni de Excel

• Indexé libros de RPG de mesa en formato PDF con diseños visuales complejos y muchas tablas

  • Si esto es solo un wrapper de PDFMiner, no veo el valor agregado de esta herramienta
  • No reconoce ni procesa tablas, aunque al menos tiene un reconocimiento mínimo de celdas de tabla
  • Maneja bien columnas de ancho variable o texto envuelto de forma compleja
  • Inserta espacios innecesarios en texto completamente alineado y agrega saltos de línea innecesarios cuando divide columnas a mitad de una oración
  • El mayor problema es que omite por completo los encabezados

• Me sorprende, pero de manera positiva, que en el README no haya menciones a LLM

  • Leer el código es interesante
  • La mayor parte es código glue en un solo archivo de 1101 líneas

• Comparto una experiencia de cuando entregué tareas por Slack en una clase de idiomas en línea

  • Entregué la tarea como archivo .md, pero la profesora no entendió qué era
  • Desde entonces no había vuelto a encontrarme con alguien que prefiriera documentos de Word

• Me da curiosidad la comparación con docling

  • docling usa LLM

• Me pregunto si existe una buena librería para convertir desde Markdown a PDF o .docx

  • Pandoc puede hacerlo en la mayoría de los casos, pero tiene dificultades con ciertos elementos como las tablas

• Siendo Microsoft, probablemente pueda dar resultados medio decentes con HTML de Outlook y con .docx

  • También evalué la mayoría de las soluciones de pago, pero ninguna me pareció lo suficientemente buena como para correrla en producción
  • Voy a probar esta herramienta