Document Conversion

MarkItDown — conversión de documentos a markdown para LLM

⚠️ Corrección 2026-09-05 (auditoría): la fuente real es microsoft/markitdown (el manifest apuntaba a firecrawl/anydoc por error). MarkItDown no convierte .mp4/.avi: soporta PDF, Office, imágenes, audio, HTML, CSV/JSON/XML, ZIP, YouTube URLs y EPUB. No requiere poppler (usa pdfminer); solo Python 3.10+.

Repo: https://github.com/microsoft/markitdown (Python, ~178K⭐).

When to Use

• Cuando pidas convertir documentos (PDF, DOCX, PPTX, XLSX, imágenes, audio, HTML…) a Markdown para consumir con un LLM.

Uso

pip install "markitdown[all]"        # extras: [pdf,docx,pptx,xlsx,audio-transcription,youtube-transcription]

from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("documento.pdf")   # también CLI: `markitdown archivo`
print(result.text_content)

Formatos soportados

PDF, PPTX, DOCX, XLSX, imágenes, audio (transcripción), HTML, CSV/JSON/XML, ZIP, YouTube URLs y EPUB. (NO vídeo raw .mp4/.avi.)

Pitfalls

• No convierte vídeo (.mp4/.avi).
• No requiere poppler-utils (usa pdfminer); Python 3.10+.
• Fuente: microsoft/markitdown.

Verificación

• md.convert(doc.pdf) → text_content; probar con DOCX/XLSX.